Speaker A
¿Qué tal, muchachos? Buenas noches. Buenas noches a todos. Vamos a empezar nuestra sesión. Recuerden que nos habíamos quedado en esta parte de acá. Ahora vamos a ver qué era básicamente.
Sesión sobre pruebas no paramétricas, hipótesis estadísticas, errores tipo I y II, y pruebas de normalidad en estadística.
Key Takeaways
- Solo existen tres tipos correctos de planteamientos de hipótesis: unilateral izquierda, bilateral y unilateral derecha.
- La igualdad siempre está presente en la hipótesis nula.
- El error tipo I es rechazar una hipótesis nula verdadera, y el error tipo II es no rechazar una hipótesis nula falsa.
- El nivel de significancia (alfa) representa la probabilidad de cometer un error tipo I.
- Es fundamental entender la teoría para evitar errores en la formulación de hipótesis y en la interpretación de resultados.
Summary
- Introducción a los tipos de planteamientos de hipótesis: unilateral izquierda, bilateral y unilateral derecha.
- Importancia de la hipótesis nula y su relación con la igualdad en los planteamientos estadísticos.
- Explicación detallada de los errores tipo I y tipo II en pruebas de hipótesis.
- Definición y significado del nivel de significancia (alfa) en la estadística.
- Discusión sobre la relevancia de la teoría para plantear correctamente hipótesis en investigaciones.
- Introducción a la prueba de normalidad para determinar si una variable proviene de una población normal.
- Mención de pruebas específicas como Kolmogórov-Smirnov y Shapiro para evaluar normalidad.
- Importancia de la correcta interpretación y aplicación de pruebas estadísticas en tesis e investigaciones.
- Uso de herramientas visuales para mejorar la comprensión de resultados estadísticos.
- Recomendaciones para evitar errores comunes en la formulación y prueba de hipótesis.
Chapters
Full Transcript — Download SRT & Markdown
Speaker A
A ver, hasta acá ya vimos también vimos estimación puntual, estimación por de confianza, prueba de hipótesis.
Speaker A
A ver, hasta acá ya vimos también estimación puntual, estimación por intervalo de confianza, prueba de hipótesis.
Speaker A
Por ejemplo, si yo digo que le da promedio de los estudiantes de una universidad es 22 años, estoy afirmando eso. Estoy suponiendo que efectivamente el promedio de es 22 años.
Speaker A
Y nos quedamos específicamente acá, muchachos. Muy bien. Eh, ya sabemos que una hipótesis, muchachos, es la suposición de algo, ¿no?
Speaker A
Entonces, una hipótesis es una suposición muchachos. Y en estadística hay tres tipos de planteamiento de hipótesis, muchachos.
Speaker A
Por ejemplo, si yo digo que el promedio de los estudiantes de una universidad es 22 años, estoy afirmando eso. Estoy suponiendo que efectivamente el promedio es 22 años.
Speaker A
Es decir, el valor teórico que sea menor o igual a algo, ¿no? Pero también tenemos la unilateral a la izquierda muchachos en el cual lo que se busca efectivamente es comparar el valor real con un valor dado, ¿no? Que sea mayor o igual.
Speaker A
Para corroborar ese planteamiento hipótesis, yo tendría que tomar una muestra y comprobar esa hipótesis, ¿no?
Speaker A
Sí, no existen más, muchachos. Pero, ¿qué sucede cuando yo doy evaluación a los estudiantes?
Speaker A
Entonces, una hipótesis es una suposición, muchachos. Y en estadística hay tres tipos de planteamiento de hipótesis, muchachos.
Speaker A
Entonces, me inventan así. También he visto estudiantes que en su examen ponen algo así.
Speaker A
La hipótesis bilateral, en la cual lo que se busca es una igualdad versus diferente, y la hipótesis unilateral a la derecha que busca una desigualdad, ¿no? Pero observen esta desigualdad menor o igual que algo, ¿no?
Speaker A
Donde teta sub es el valor, obviamente a corroborar, ¿no? Entonces yo les pregunto, ¿de dónde sacan ese planteamiento hipótesis?
Speaker A
Es decir, el valor teórico que sea menor o igual a algo, ¿no? Pero también tenemos la unilateral a la izquierda, muchachos, en la cual lo que se busca efectivamente es comparar el valor real con un valor dado, ¿no? Que sea mayor o igual.
Speaker A
Entonces solamente existen, muchachos, tres tipos de planteamiento de hipótesis, la hipótesis unilateral a la izquierda, la bilateral y la unilateral a la derecha. ¿De qué va a depender elegir uno u otro tipo de planteamiento hipótesis? Del problema de la hipótesis,
Speaker A
Entonces, acá viene un debate muy importante, ¿no? Profesor, ¿solamente existen estos tres tipos de planteamiento de hipótesis?
Speaker A
A ver, alguien si se ha dado cuenta que en común tienen las tres hipótesis, los tres tipos de planteamiento.
Speaker A
Sí, no existen más, muchachos. Pero, ¿qué sucede cuando yo doy evaluación a los estudiantes?
Speaker A
Mira, si si se han dado cuenta, muchachos, la igualdad siempre está en la nula.
Speaker A
Le doy un ejercicio y ellos plantean sus hipótesis, ¿no? Miren, imagínense, me escriben algo así: teta mayor a teta sub y teta menor a teta sub, ¿no? Donde teta sub es valor a corroborar, ¿no?
Speaker A
No existe, no existe, muchachos. Por eso es muy importante la teoría ustedes, entender la teoría. Eso es lo más importante para mí. Por eso me enfoco más en estos puntos, ¿no?
Speaker A
Entonces, me inventan así. También he visto estudiantes que en su examen ponen algo así.
Speaker A
Todo está mal, ¿no? Muy bien. Eso es lo que hay que tener en cuenta, muchachos. No se olviden, solamente existen tres tipos de planteamientos de hipótesis, no hay más, no se vayan a inventar como mis alumnos, no existen estos.
Speaker A
Entonces, eh, por ejemplo, algo así, ¿no? Que teta sea diferente a teta sub, ¿no?
Speaker A
Eso ya es un poco de teoría, ¿no? Por ejemplo, seguramente ustedes han visto una distribución de este tipo, una distribución normal en el cual se le hace dos colitas, ¿no?
Speaker A
Donde teta sub es el valor, obviamente a corroborar, ¿no? Entonces yo les pregunto, ¿de dónde sacan ese planteamiento hipótesis?
Speaker A
Entonces, eso es la bilateral y la unilateral a la derecha quiere decir, muchachos, que solamente va a tener una colita, ¿no?
Speaker A
Porque en la teoría estos planteamientos hipótesis no existen, pero ellos en su imaginación crean sus propias hipótesis, ¿no?
Speaker A
del caso, ¿no? Estos conceptos ya no se usan. Ahora ya es mucho más práctico, ¿no? Usamos el p valor, comparamos con el nivel de significancia y se acabó.
Speaker A
Entonces, solamente existen, muchachos, tres tipos de planteamiento de hipótesis: la hipótesis unilateral a la izquierda, la bilateral y la unilateral a la derecha. ¿De qué va a depender elegir uno u otro tipo de planteamiento hipótesis? Del problema de la hipótesis,
Speaker A
En prueba de hipótesis va a aparecer un alfa, que es el famoso nivel de significancia, ¿no?
Speaker A
muchachos. De eso va a depender la elección. Ahora, yo les quiero hacer una pregunta interesante. ¿Qué en común, qué algo en común tienen los tres tipos de planteamiento, muchachos? Alguien que se dé cuenta.
Speaker A
En sí es una probabilidad, muchachos, y eso nadie lo sabe, ¿no? Para entender el alfa, vamos a entender los tipos de errores que existen en la estadística muchach.
Speaker A
A ver, alguien si se ha dado cuenta qué en común tienen las tres hipótesis, los tres tipos de planteamiento.
Speaker A
Así de simple. Esta es la situación real. Esto es lo real, muchachos. Y esto es la decisión, ¿no?
Speaker A
A ver, ¿quién se dio cuenta? A ver, un punto más al que responde.
Speaker A
Eso, ¿qué vendría a ser? Una decisión correcta, algo que es verdadero, mi muestra lo corrobora, entonces es una decisión correcta.
Speaker A
Mira, si se han dado cuenta, muchachos, la igualdad siempre está en la nula.
Speaker A
A eso se conoce como el error de tipo uno. En otras palabras, el error de tipo uno es la probabilidad de rechazar la hipótesis nula, mejor dicho, es la probabilidad de rechazar la hipótesis nula, dado que es verdadero.
Speaker A
En la hipótesis nula siempre, siempre, muchachos, pequeño detalle, ¿no? Siempre, eso no se olviden, siempre la igualdad está en la hipótesis nula: mayor, igual, igual o menor o igual siempre. Entonces, dicho eso, miren esta hipótesis planteada por los estudiantes.
Speaker A
Ya si sucede ese caso, muchachos, es un error de tipo uno, así se le conoce.
Speaker A
No existe, no existe, muchachos. Por eso es muy importante la teoría, ustedes entender la teoría. Eso es lo más importante para mí. Por eso me enfoco más en estos puntos, ¿no?
Speaker A
A ese se conoce como el error de tipo dos. Claro, algo que sea falso en la vida real con mi muestra no se rechace es el famoso error de tipo dos, ¿no?
Speaker A
Hacer los ejercicios lo puedes hacer, pero ¿de qué sirve resolver un ejercicio si has planteado mal la hipótesis?
Speaker A
Hasta acá todavía no hemos definido el alfa, pero el alfa, muchachos, es la probabilidad de cometer el error de tipo uno, que de ahora en adelante nosotros lo vamos a llamar nivel de nivel de significancia, ¿no?
Speaker A
Todo está mal, ¿no? Muy bien. Eso es lo que hay que tener en cuenta, muchachos. No se olviden, solamente existen tres tipos de planteamientos de hipótesis, no hay más, no se vayan a inventar como mis alumnos, no existen estos.
Speaker A
Ese el concepto que alguna vez lo escuchado en los libros, ¿no? Pero eso lo vamos a ver más adelante, no se preocupen. Ahora, lo más importante, muchachos, es que ustedes entiendan de qué trata o en qué consisten los errores
Speaker A
Muy bien. Entonces, ustedes preguntarán, "Profesor, ¿de qué depende que sea bilateral o unilateral?", ¿no?
Speaker A
El error de tipo dos es no rechazar algo que es falso. Son cosas diferentes. ¿Ya?
Speaker A
Eso ya es un poco de teoría, ¿no? Por ejemplo, seguramente ustedes han visto una distribución de este tipo, una distribución normal en la cual se le hace dos colitas, ¿no?
Speaker A
Ocurre cuando se rechaza una hipótesis dado que es verdadera, muchachos. Luego se origina el concepto llamado nivel de significancia, el famoso alfa. El nivel de significancia, muchachos, es la probabilidad de cometer el error de tipo uno.
Speaker A
Donde estas zonas son las regiones de rechazo. Es decir, si tu estadístico de prueba cae en esta región, que es la región de aceptación, no se va a rechazar tu hipótesis, ¿no?
Speaker A
Si tú tienes un alfa de 5%, el complemento 1 men alfa por un 100% vendría a ser el nivel de confianza, ¿no?
Speaker A
Entonces, eso es la bilateral y la unilateral a la derecha quiere decir, muchachos, que solamente va a tener una colita, ¿no?
Speaker A
Ahora, el error de tipo dos ocurre cuando no se rechaza algo que es falso, es decir, no se rechaza una hipótesis que sea falsa.
Speaker A
Eso es, esa es la de ahí viene el nombre, ¿no? Y la unilateral a la izquierda es cuando está la parte abajo de la colita, es decir, la zona de rechazo está en la parte inferior o superior, dependiendo
Speaker A
Pero la probabilidad de cometer el error de tipo dos se denota por un beta.
Speaker A
del caso, ¿no? Estos conceptos ya no se usan. Ahora ya es mucho más práctico, ¿no? Usamos el p-valor, comparamos con el nivel de significancia y se acabó.
Speaker A
Muy bien. Entonces, de ese pequeño cuadrito anterior, muchachos, salen esos conceptos ¿no? Ahora, la pregunta del millón, profesor.
Speaker A
Pero tiene su sustento, ¿no? Muy bien. Y hay algo también que hay que entender, muchachos.
Speaker A
cómo algo que sea verdadero en la vida real se pueda rechazar con una muestra.
Speaker A
En prueba de hipótesis va a aparecer un alfa, que es el famoso nivel de significancia, ¿no?
Speaker A
injusto ¿no? Peor tienes una muestra pequeña, peor si no has tenido rigurosidad técnica. Entonces es más probable que no se pruebe esa hipótesis ¿no?
Speaker A
Seguramente en algún momento ustedes han escuchado de este alfa, ¿no? Entonces, este alfa es el nivel de significancia. Pero, ¿qué quiere decir o qué es en sí?
Speaker A
Muy bien. Ahora viene la pregunta. profesor, cuando estaba en la universidad hablábamos de estadístico de prueba, del valor crítico, de la zona de rechazo y todos esos conceptos para tomar una decisión.
Speaker A
En sí es una probabilidad, muchachos, y eso nadie lo sabe, ¿no? Para entender el alfa, vamos a entender los tipos de errores que existen en la estadística, muchachos.
Speaker A
Por ejemplo, valor P o P valor o P value es una medida de concordancia entre datos observados en la muestra y la hipótesis nula.
Speaker A
¿Cuántos tipos de errores existen en estadística? Solamente existen dos tipos de errores: el error de tipo uno y el error de tipo dos.
Speaker A
Es decir, muchachos, si ustedes tienen un planteamiento hipótesis de este tipo, por ejemplo, y la pregunta, profesor, ¿cómo puedo tomar una decisión sobre esta hipótesis?
Speaker A
Así de simple. Esta es la situación real. Esto es lo real, muchachos. Y esto es la decisión, ¿no?
Speaker A
Se rechaza la hipótesis nula solo si el p valor es menor a. Entonces, de ahora en adelante, muchachos, en cualquier prueba de hipótesis, nosotros vamos a seguir usando esta regla.
Speaker A
Imaginemos algo interesante. Supongamos que algo en la realidad sea verdadero. Lo planteo como hipótesis nula, pero con la muestra no rechazo la hipótesis nula.
Speaker A
esta regla, muchachos, ya que es mucho más práctico, más rápido también. peor cuando usamos R que más sencillo aún, ¿no? Todo es mucho más rápido.
Speaker A
Eso, ¿qué vendría a ser? Una decisión correcta, algo que es verdadero, mi muestra lo corrobora, entonces es una decisión correcta.
Speaker A
Muy bien, muchachos. Ahora, entonces ya hemos hablado de prueba hipótesis, qué es una prueba hipótesis, que es una hipótesis nula, que es una hipótesis alternativa cuántos tipos de formulación de hipótesis existen, qué es el p valor, eh la regla de decisión y muchas cosas
Speaker A
Muy bien. Pero algo que es verdadero en la realidad con mi muestra lo rechazo.
Speaker A
De ahora en adelante vamos a ver de pruebas de hipótesis que existen. Por ejemplo, una prueba de hipótesis muy usado es, por ejemplo, las pruebas de normalidad.
Speaker A
A eso se conoce como el error de tipo uno. En otras palabras, el error de tipo uno es la probabilidad de rechazar la hipótesis nula, dado que es verdadero.
Speaker A
Sí, se te escucha, se te escucha. Ah, perfecto. Eh, solamente quiero antes de que comience a trabajar con eso, me gustaría que nos des algunas orientaciones.
Speaker A
A eso se conoce como el error de tipo uno. Claro, cómo una hipótesis que sabes que es real, que es verdadero en la vida real, lo contrastas con una muestra y automáticamente rechaza tu hipótesis.
Speaker A
para ver eso y con eso ayudaría a mejorar la potencia de la prueba. lo escucho.
Speaker A
Ya si sucede ese caso, muchachos, es un error de tipo uno, así se le conoce.
Speaker A
Eso es eso es lo común. Entonces, ya eh nos centramos en fijar el valor de alfa en este caso, ¿no?, que es la probabilidad de cometer el error de tipo uno. Por ejemplo, les comento un poquito, ¿no?
Speaker A
Rechazar algo que es verdadero se llama el error de tipo uno. ¿Y qué pasa si algo que sea falso no lo rechazo con mi muestra?
Speaker A
Muy bien. El beta o la potencia de prueba, en otras palabras, se usa más en pruebas experimentales, muchachos.
Speaker A
A eso se conoce como el error de tipo dos. Claro, algo que sea falso en la vida real con mi muestra no se rechace es el famoso error de tipo dos, ¿no?
Speaker A
que se tiene que considerar, por ejemplo, eh, a ver, unas pruebas experimentales. Lo ven más en los casos clínicos, ¿no?
Speaker A
Algo que es falso y mi muestra lo rechaza. Decisión correcta. No hay problema. Entonces, así es como se originan estos dos tipos de errores dentro de la estadística, muchachos: el error de tipo uno y el error de tipo dos.
Speaker A
Por ejemplo, ¿dónde más se usa la potencia de la prueba? Por ejemplo, para calcular un tamaño de muestra de manera tradicional, comúnmente se usa el AL, pero si quieres calcular tamaños de muestra para estudios experimentales, usan potencia de la prueba como insumo,
Speaker A
Hasta acá todavía no hemos definido el alfa, pero el alfa, muchachos, es la probabilidad de cometer el error de tipo uno, que de ahora en adelante nosotros lo vamos a llamar nivel de significancia, ¿no?
Speaker A
M, pero es más la la potencia prueba lo usa más para casos clínicos, ¿no? Tudes experimentales, ensayos y todo eso, ¿no? Está bien. Muchísimas gracias. Sí, claro. Si queremos entrar a cómo calcular ese valor de beta, teóricamente es un es un mundo. Ah, por ejemplo, hay
Speaker A
Y el error de tipo dos es el famoso, el complemento del error de tipo dos es la potencia de la prueba, por ejemplo.
Speaker A
Igual si deseas les comparto este libro para que puedan explorar un poco. Muy bien.
Speaker A
Ese es el concepto que alguna vez lo han escuchado en los libros, ¿no? Pero eso lo vamos a ver más adelante, no se preocupen. Ahora, lo más importante, muchachos, es que ustedes entiendan de qué trata o en qué consisten los errores
Speaker A
¿no? Una de las pruebas interesantes es la prueba de normalidad. La prueba normali es saber pues si una variable proviene de una distribución o de una población normal, ¿no? Y cómo es una variable normal. Bueno, aquella variable cuya distribución, aquella
Speaker A
de tipo uno y los errores de tipo dos. En resumen, el error de tipo uno es rechazar algo que es verdadero.
Speaker A
Entonces si una variable numérica tiene esa distribución, entonces no podría decir a ciencias ciertas que es una distribución normal porque solamente es un gráfico, ¿no?
Speaker A
El error de tipo dos es no rechazar algo que es falso. Son cosas diferentes, ¿ya?
Speaker A
Así de simple. Y bueno, existen muchos test o muchas pruebas de normalidad, muchachos. Los dos más conocidos, seguramente ustedes lo han escuchado, muchachos, es el test de Shapiro Wilm.
Speaker A
Muy bien, a modo de resumen vamos a hablar sobre qué vendría a ser el error de tipo uno.
Speaker A
Entonces, para muestras pequeñas, si quieres probar normalidad, Shapiro Will es muy muy eficiente. El otro test es el famoso test de Colmogor Smirnov, muchacho, autor ruso, ¿no?
Speaker A
Ocurre cuando se rechaza una hipótesis dado que es verdadera, muchachos. Luego se origina el concepto llamado nivel de significancia, el famoso alfa. El nivel de significancia, muchachos, es la probabilidad de cometer el error de tipo uno.
Speaker A
Entonces, para tu conjunto de datos lo que estima es la distribución empírica y lo compara con la teórica, ¿no? Si se aproximan en distribución, fíjense acá, si se aproximan en distribución, entonces es un buen indicio de que los
Speaker A
Y este valor es fijado por el investigador. Ese alfa es fijado por el investigador.
Speaker A
Existen mucho más, test de Anderson, test de Jarquevera, un montón de pruebas de normalidad, muchachos.
Speaker A
Si tú tienes un alfa de 5%, el complemento 1 menos alfa por un 100% vendría a ser el nivel de confianza, ¿no?
Speaker A
Ahora la pregunta de millón. Profesor, ¿cuántos tipos de planteamiento de hipótesis existen para la normalidad?
Speaker A
Todo está estrechamente relacionado.
Speaker A
el cual es el siguiente, ¿no? Por ejemplo, los datos provienen de una población normal, ¿no?
Speaker A
Eso es mi hipótesis nulla, muchachos. Y la alterna lo mismo, ¿no? Los datos no provienen de una distribución.
Speaker A
Así de simple, muchachos. Así de simple. Más bien, disculpen que esté superpuesto de esa manera. La idea es que se entienda.
Speaker A
Entonces, si bien teóricamente, muchachos, existen tres tipos de planteamiento de hipótesis, no implica que siempre va a ser tres, va a depender de la prueba.
Speaker A
Para este caso, para la prueba de normalidad, solamente existe un tipo de planteamiento de hipótesis.
Speaker A
La hipótesis nula, los datos provienen de una población normal versus los datos no provienen de una población normal.
Speaker A
que es lo mismo decir que la variable tiene distribución normal. Entonces el parafraseo puede variar, pero la idea es esa. En la hipótesis nula ya saben cómo debe ir, cómo deben plantear.
Speaker A
No vayan a hacer al revés, por favor. Ah, eso no se hace. Muy bien.
Speaker A
Ustedes preguntarán, "Profesor, el colomorobo espir teoría matemática." Sí, la distribución empírica, muchachos, se basa en la estadística no paramétrica, ¿no? Pero esa estadística no paramétrica donde la parte matemática es fuerte, ¿no? No vamos a entrar ese detalle, pero
Speaker A
hay mucha matemática detrás de colmor, ¿no? O nosotros tenemos que darle utilidad a estas herramientas y ahora ustedes se preguntarán, "Profesor, ¿y dónde se usa la prueba normalidad?
Speaker A
Por ejemplo, para aplicar correlación de PSON necesitas demostrar que las variables tienen distribución normal.
Speaker A
Solo ahí lo puedes aplicar, ¿no? Entonces, muchas pruebas de hipótesis, su supuesto o uno de los supuestos es la normalidad de las variables.
Speaker A
Entonces, sí o sí tenemos que usar, ¿no? Sobre todo si estamos en el enfoque paramétrico.
Speaker A
Muy bien, muchachos. Por ejemplo, ¿cómo vamos a enfocarnos o enfrentar un ejercicio de prueba de normalidad? Por ejemplo, hipótesis nula, los datos están normalmente distribuidos, que es lo mismo decir que provienen de una población normal o de una distribución normal
Speaker A
versus no están o no provienen de una población normal. Tienes que fijar un alfa.
Speaker A
Tienes que enfocarte en cómo es tu tamaño de muestra. Si es menor a 50, Chapir mayor a 50 KS, ¿no?
Speaker A
Y la regla de decisión, ¿no? Si el P valor es menor, ya es menor igual general, muchachos. Ya acá hay un debate ¿no?
Speaker A
Es menor o menor igual. Hay muchos textos y muchos autores que apoyan y demuestran que es menor o igual.
Speaker A
En la vía rar es bien complicado que salguen pues iguales. Eso es muy complicado.
Speaker A
Pero si tuviéramos este caso, si el p valor es menor o igual al alfa, sabemos que tenemos que rechazar la hipótesis ¿no?
Speaker A
Entonces esta es la estructura que se tiene que seguir, muchachos, para las pruebas de hipótesis. Plantear tu hipótesis, fijar a un nivel de significancia y tomar la decisión.
Speaker A
El R, muchachos, nos va a permitir obtener el P valor. Con el P valor nosotros ya podemos tomar decisión.
Speaker A
Muy bien. Entonces, así se prueba la normalidad, muchachos. Ya ahí en el laboratorio vamos a ver ejercicio, no se preocupen.
Speaker A
Ahora vamos a hablar de un tema interesante que es la correlación. Muchachos, aunque no lo crean, la correlación también es una preipodis.
Speaker A
Seguramente ustedes cuando han leído un libro de metodología de investigación, por ejemplo, el Sanieri, que es uno de los clásicos, San Pieri dice lo siguiente, ¿no?, que que existen estudios correlacionales, estudios exploratorios y estudios de causalidad. Hay un montón,
Speaker A
¿no? Cuando se habla de análisis o de estudios correlacionales, muchachos, hace referencia a las correlaciones, pero como pruebas de hipótesis, ¿no?
Speaker A
Y la pregunta del millón, ¿qué es una correlación? No, muchachos, la correlación, por cierto, solamente existe correlación lineal.
Speaker A
La correlación lineal, muchachos, tiene orígenes interesantes, ¿no? Fíjense la figura A. Acá tengo la variable X y acá tengo la variable Y, ¿no?
Speaker A
X y Y. Entonces, estas dos variables generan esta nube de puntos y esta nube de puntos tiene un comportamiento lineal ¿no?
Speaker A
Entonces, yo puedo decir que esas dos variables numéricas tienen una relación lineal creciente, ¿no?
Speaker A
Sin embargo, si observo la figura B, muchachos, lo que observo es también una relación lineal entre las dos variables X y Y, solo que es hacia la izquierda, ¿no? Pero igual existe relación lineal.
Speaker A
¿Por qué digo que existe relación lineal? Porque los datos se ajustan a una recta lineal. No, no creo que alguien modele así, no, no creo que alguien diga que el modelo es este o que el modelo sea este.
Speaker A
Es un modelo lineal. Se ajusta una recta perfectamente ahí, ¿no? Claro, no perfectamente, pero tiene un comportamiento lineal, ¿no?
Speaker A
Sin embargo, la figura C, muchachos, ¿qué observo acá? que los puntos no tienen un comportamiento líal, por el contrario, tiene un comportamiento recontraaleatorio.
Speaker A
¿Puede existir acá relación lineal? No. Para que exista relación lineal debe haber linealidad y acá no existe nada de eso.
Speaker A
¿Qué sucede en la figura de? ¿Habrá linealidad? Para nada. Acá lo que hacer es no linealidad, es una parábola, ¿no?
Speaker A
Entonces, si me si me dicen de la figura A, B, C y D, ¿cuáles de ellos tienen relación lineal?
Speaker A
Yo diría que solamente tiene la figura A y la figura B. Según mi gráfico de dispersión de puntos, observo que la gráfica A y la gráfica B, las dos variables numéricas, tienen una relación lineal.
Speaker A
Y profesor, ¿de dónde sale el concepto de correlación lineal? Muchachos, la correlación lineal no es más que la cuantificación numérica de la relación lineal entre dos variables numéricas.
Speaker A
Así de simple. Eso es una correlación. Yo sé que existe relación lineal, pero ¿cómo cuantifico esa relación lineal?
Speaker A
Mediante la correlación lineal. Así de simple. Seguramente ustedes han escuchado los dos métodos de correlación más conocidos, ¿no? Peon y Spean.
Speaker A
Son los dos más usados. Existen otros más desconocidos, ¿no? Que Endal, por ejemplo, pero con estos dos solucionamos muchos problemas.
Speaker A
Ambos, tanto Pearson Speedman, requieren linealidad, muchachos, porque recuerdan la correlación solamente existe la correlación lineal, no existe una correlación no lineal, no existe por el momento.
Speaker A
Muy bien. Entonces, profesor, muy bien. Hasta ahí le entiendo perfectamente cómo se calcula la correlación de Pearson, por ejemplo, matemáticamente. Miren, los que quieren saber cómo se calcula, se calcula así.
Speaker A
Obviamente yo no les voy a pedir que se memoricen eso. No tiene sentido. Eso es eso no es la idea. No de que algo tienen que entender, muchachos, es que tanto el PiSON o el Speerman varía de -1 a 1.
Speaker A
Si toma el valor de cero implica una correlación nula. Si toma uno, con la correlación positiva perfecta. Si toma el valor de -1 se dice que es una correlación negativa. Perfecta. Pero esos valores no existen en la vida real,
Speaker A
muchachos. Son teóricos. Claro. Asumiendo datas reales, ¿no? Claro. Si yo comparo la correlación entre dos variables que son las mismas, sale uno. Pero, ¿quién en su sano juicio hace eso? Nadie.
Speaker A
Entonces, muchachos, esto es correlación en términos sencillos. Muy bien. Yo sé que ustedes ya usaron Pearson en sus investigaciones, ¿no? Pero ahora se van a llevar una gran sorpresa.
Speaker A
Toda la análisis correlación, mejor dicho, es una prueba de hipótesis. Por ejemplo, supongamos que tengo dos variables.
Speaker A
Edad en años y el peso de la persona en kilogram. He calculado mi correlación de pison me sale 0 punto 0.4.
Speaker A
Entonces yo diría pues que la correlación es positiva entre ambas variables. Si la edad a mayor edad, mayor peso, a mayor peso, mayor edad, hay una relación directa.
Speaker A
Muy bien. Entonces ese valor 0.4 a lo más me va a decir la la intensidad de la relación entre esas dos variables numéricas.
Speaker A
Nada más me va a decir eso. Pero, ¿cómo sé que esa correlación es significativa?
Speaker A
Es decir, que tenga validez como que tenga un respaldo de una de una prueba hipótesis.
Speaker A
Para saber si esa correlación es significativa, muchachos, lo que tengo que hacer es una prueba de hipótesis.
Speaker A
¿Y cuántos tipos de planteamiento de hipótesis existe para la correlación? Solo uno, muchachos. Hipótesis nula.
Speaker A
Ro igual a 0, que es lo mismo decir que no existe correlación. Hipótesis alternativa ro diferente de cero. Es decir, y es lo mismo decir que existe correlación.
Speaker A
Esa es la manera correcta de plantear una hipótesis para las correlaciones. ¿Por qué el símbolo de R?
Speaker A
Este RON muestral, el pison poblacional es el rono. Siempre cuando tú haces un planteamiento hipótesis, tú lo haces a nivel poblacional, no a nivel muestral.
Speaker A
Usas una muestra para calcular la correlación, sí, pero una vez que demuestras que es significativo, ya tiene una interpretación poblacional, ¿no?
Speaker A
Eso es lo que hay que entender, muchachos. Entonces, tu cálculo de correlación siempre debe estar acompañado de una prueba de solo así tendrá validez.
Speaker A
Eso es lo que hay que tener en cuenta, muchachos. Y acá viene un problema muy importante.
Speaker A
Muchos estudios, muchas tesis, inclusive papers, muchachos de estudios correlacionales, plantean la hipótesis al revés, porque en su cabecita tienen la idea equivocada de que en la nula, en la hipótesis nula, siempre va a ir lo positivo, lo que yo quiero.
Speaker A
¿Y dónde me di cuenta de eso? Hay una hay una una tesis de de una psicóloga en el cual se enfocaba o quería corroborar la relación, existía una correlación, por ejemplo, entre el rendimiento académico del niño y las horas del sueño
Speaker A
del niño. Eso era su su hipótesis, ¿no? Y adivinen cómo planteó su hipótesis, muchachos.
Speaker A
Su hipótesis no la planteo de la siguiente manera. Miren ah existe correlación entre el rendimiento académico y las horas de sueño del niño.
Speaker A
Así lo planteo. Así lo planteó, muchachos. ¿Qué opinan entonces? hay esa mala costumbre, ¿no?, de plantear hipótesis en contra de la teoría.
Speaker A
Entonces, no piensen que lo que ustedes quieren probar o lo positivo va a ir en la hipótesis nula. No es así, muchachos.
Speaker A
El planteamiento de la hipótesis depende de la técnica, de la prueba que estás usando y eso ya está definido en la teoría. Así como vimos la normalidad, cómo se plantea la la hipótesis en una prueba de normalidad, también existe la
Speaker A
forma correcta de plantear las hipótesis en un análisis de correlación. Luis, por eso se le llama a la hipótesis alternativa hipótesis del investigador, porque es lo que quiere probar.
Speaker A
Exacto. También. Sí, correcto. Pero, ¿por qué tienen esta costumbre de hacer? A ver, no sé si alguna vez se han se han encontrado con investigaciones de este tipo.
Speaker A
Mira, así lo planteó y así está publicado, así fue aprobado, inclusive una psicóloga dice, entonces su su planteamiento, claro, cualquiera que lo lee eh se se ve bien, ¿no? Sí se sí se entiende lo que se quiere corroborar,
Speaker A
pero no es no estaba en lugar correcto. No hay que saber, muchachos, la forma correcta de plantear las hipótesis y eso va a depender de la técnica que vas a usar. Así de simple.
Speaker A
Así de simple, entonces. Muy bien. Entonces, eso les va a servir bastante. ¿Cómo voy a tomar una decisión?
Speaker A
Ustedes ya saben, la regla es eso. El p valor es menor al alfa. Algunos autores dicen menor igual. No hay que generar discusión con eso. Jamás vas a igualar en magnitud porque el p valor es una probabilidad y puede tener muchos
Speaker A
decimales. Entonces, si el p valor es menor el alfa, entonces se rechaza la hipótesis nulo muchachos.
Speaker A
Eso es, eso es lo correcto. Muy bien. Entonces, ya saben, muchachos, que cuando calcule una correlación, siempre acompáñenlo con una prueba de hipótesis, ¿no? Obvio, si estás en investigación, estás en el trabajo y quieres algún dato específico, no es necesario. No, no hay
Speaker A
que ser tan estrictos. Hay que ser estrictos dependiendo del caso. Muy bien, ahí está, ¿no? Peon, cómo se plantea sus hipótesis, fija su nivel de significancia.
Speaker A
La este proceso ya con el R lo vamos a obviar, ¿no? No tiene sentido.
Speaker A
Pero si quisieran saber cómo se calcula el piso, ahí está la fórmula mágica. Y también ya sabemos cómo tomar una decisión.
Speaker A
El p valor es menor o igual al alfa, entonces rechazamos la hipotesis. Sencillo. Lo más importante para mí, muchachos, es que ustedes comprendan la forma correcta de plantear sus hipótesis. Eso es lo más valioso.
Speaker A
Eso es lo más valioso, muchachos. Lo demás el error lo va a hacer, ¿no?
Speaker A
Pero el error no sabe interpretar, entonces no sabe plantear hipótes. Muy bien, Pson. No, para Speedman es igual, no, no hay problema, es lo mismo, ¿no? Lo único que cambia es la formulita, ¿no?
Speaker A
Ya Pisarson se basa en rangos, ¿no? Es una medida una correlación no paramétrica ¿no?
Speaker A
Igual el error lo calcula, igual su planteamiento de hipótesis son las mismas, no se preocupen.
Speaker A
La regla de decisión es la misma. para toda prueba de hipótesis. Esta regla de decisión es para toda prueba de hipótesis, muchachos. No se olviden eso.
Speaker A
Ya. Muy bien. ¿Qué más tenemos por acá? Ya, antes de ir al termómetro que les va a servir para interpretar, Pearson tiene supuestos, muchachos. Esa es la mala noticia.
Speaker A
¿Cuáles son esos supuestos? Uno linealidad linealidad que haya relación lineal, ¿no? Si no, ¿cómo vas a calcular la correlación lineal? tiene sentido, ¿no?
Speaker A
Dos es que las dos variables tengan distribución normal, la normalidad de las variables. El problema, muchachos, es lo siguiente.
Speaker A
La vía real, cuando ustedes están haciendo su investigación, es muy difícil, pues, encontrar que dos variables numéricas tengan distribución normal.
Speaker A
Porque la distribución normal es una distribución teórica. Puedes tener una buena aproximación, pero no va a ser una distribución normal.
Speaker A
Muy bien. Entonces, estos supuestos lo limitan. Inclusive hay un autor, muchachos. Estos son los supuestos de Pearson mismo, ¿no?
Speaker A
Pero hace un par de años un autor hizo una crítica a la correlación de Pirson y dijo lo siguiente. Esto todavía no está validado por la academia, muchachos.
Speaker A
Dijo, "No, para Piron necesitos tres supuestos. El tercer supuesto es que ambas variables en conjunto tengan o cumplan la normalidad bivariable.
Speaker A
demostró mediante estudio de simulación que la normalidad univariada, es decir, variable por variable, no era determinante, no era tan tan, es decir, dejaba mucho vacío, mientras con la normalidad bivariada, es decir, una normalidad simultánea, sí era mucho mejor tu prueba, ¿no?
Speaker A
Pero ahí implica muchos problemas, ¿no? Si la normalidad univariada generaba complicaciones, peor pues la normalidad variada, es decir, es una cosa de locos, ¿no?
Speaker A
Pero así hizo varios estudios de simulación y demostró que efectivamente la normalidad variada también es muy importante ¿no?
Speaker A
Eso es como un plus, muchachos. Y también esto ya no es un supuesto, ¿no? Toda prueba, toda prueba paramétrica dice que se tiene que usar a partir de una muestra de 30 más, ¿no?
Speaker A
Ya hay varios teoremas que sustentan esto. No es un supuesto, ¿no? Esto ya es parte de la inferencia estadística parámet.
Speaker A
Y la preguntan, "Profesor, ¿y qué pasa si no cumple la normalidad? No podrías usar Pearson, pues así de simple. Profesor, ¿qué pasa si la muestra es 20? No puedes usar Pson.
Speaker A
Pero, ¿por qué siempre lo usan en las investigaciones, en las tesis? Todos lo ven. Peon, Pearon, Pearson.
Speaker A
¿Por qué sucede eso, muchachos? Porque no se conoce la teoría. alguien usó, nosotros estamos replicando repitiendo repitiendo.
Speaker A
Cuando en realidad si queremos usar Pson, deberíamos garantizar los dos supuestos de PSON. Ahí recién podrías usar si no se cumple ninguno de ellos, peor aún si la muestra es menos de 30, ahí entra a tallar, muchachos. Spirman,
Speaker A
no, Speirman no tiene supuestos, muchachos. Es una prueba no paramétrica. No existe supuesto. No.
Speaker A
Entonces lo hace una una medida no paramétrica, ¿no? Es decir, cuando lo no paramétrico ya no se basa en la normalidad. sin ningún supuesto, ¿no?
Speaker A
Entonces, si queremos ser mucho más técnicos, sabemos que no vamos a cumplir con la normalidad, entonces no forcemos las cosas y usemos spirman, ¿no?
Speaker A
De tal manera que cuando haya un sustento o sustentan su tesis y su o su trabajo de investigación, no haya ninguna observación.
Speaker A
Muy bien, eso es lo que les quería comentar. Y bueno, acá les voy a compartir un termómetro interesante.
Speaker A
Casi siempre me preguntan muchos estudiantes, profesor, y se me sale un valor específico, ¿cómo interpreto esa correlación?
Speaker A
Por ejemplo, supongamos que te sales tu su Piarson, por ejemplo, 0.85. Entonces, ¿cómo interpreto esa magnitud?
Speaker A
No, pero 85 está en este rango. Entonces, yo diría que es una correlación, que la correlación entre esas dos variables numéricas es de tipo positiva y de alta intensidad.
Speaker A
Si le saliera -0.85, 85. Entonces, igual yo diría, pues estaría por acá una correlación negativa de alta intensidad ¿no?
Speaker A
Cuando la correlación es positiva, muchachos, quiere decir que hay una relación directa entre las variables. Si una aumenta, la otra también. Si una disminuye, la otra también disminuye.
Speaker A
Sin embargo, si la correlación es negativa, existe una relación inversa. Si uno aumenta, el otro disminuye y si uno disminuye, el otro aumenta.
Speaker A
Eso es lo que implica el signo de la correlación. Muy bien. Les va a servir bastante cuando quieran interpretar eh sus correlaciones, ¿no?
Speaker A
Muy bien, muchachos. Entonces, eso es Sí adelante. Esa ahí, ahí déjala ahí esa esa lámina, eh, esos valores que está dando ahí, esos rangos, eso está estandarizado porque realmente uno ha visto tantos libros que ponen rangos distintos que
Speaker A
Sí, sí, sí. Es una buen buena pregunta. La clara ahí sabía que me ibas a hacer esa pregunta.
Speaker A
Eh, sí, efectivamente, no hay un estándar de de rangos de valores como para considerar si es alta o bajo mediana, ¿no? Es un debate muy importante, pero al menos estos rangos son como que hay muchos autores que coinciden en estos rangos, ¿no?
Speaker A
Claro, hay uno un loco ahí que dice, "No, no estoy de acuerdo." Pero si pensamos así, nunca vamos a tener alguna referencia para poder interpretar, ¿no?
Speaker A
Entonces, esto es un buen referente, hay muchas investigaciones que se basan en esto ¿no?
Speaker A
Simplemente es eso, no es no es una regla que yo le estoy imponiendo, ¿no?
Speaker A
Oye, tiene que ser así, ¿no? Es una propuesta que existe y es una de las más usadas ¿no?
Speaker A
Muy bien. A ver, entonces vimos varios puntos, ¿no? Vimos eh correlación, vimos normalidad, vimos regla de decisión, p valor, tipos de error, tipos de planteamiento, hipótesis.
Speaker A
Muchachos, existen tres en general. Eh, ¿qué es pruebas de hipótesis? ¿Qué es una estimación por interes de confianza?
Speaker A
que es una estimación puntual, qué es qué es el valor esperado, qué es la varianza y qué la qué es la estadística inferencial, ¿no? Entonces, ya estamos entrando al mundo, muchachos, de lo que es la estadística inferencial paramétrica y un poquito de no
Speaker A
paramétrica con espirma, ¿no? Ya es una introducción para lo que viene la siguiente sesión.
Speaker A
Muy bien, ahora vamos a ver el laboratorio, muchachos. Abran su laboratorio LAAB 7, si no me equivoco, y tiene una base de datos asociado en SPCS llamado Hellcost, costo en salud, muchachos.
Speaker A
Muy bien. Vamos a ver. Esa data está en extensión SPCs muchachos. en extensión SPCS, ¿no?
Speaker A
Entonces acá vamos a ver en correlación, ¿no? No sé por qué les puse regreso. Acá debe ser correlación, prueba de normalidad y análisis de correlación.
Speaker A
Muy bien. Entonces, cargamos una librería Javen que sirve para importar datos de SPCS y está.
Speaker A
Cargamos nuestra data BD salud. Les comento brevemente esta base de datos muchachos es también vamos a usar en regresión. Esto es una data de 525 pacientes en el cual se registró el costo que destina anualmente en salud esa
Speaker A
persona. Es una americana, es una real, muchachos. Tengo variables como sexo, edad, estado marital, alcohol, consumo de cigarros, horas de ejercicio en promedio de la semana y el costo en salud.
Speaker A
Entonces, una variable interesante, ¿no? Por ejemplo, ¿qué variables estarán relacionados con el costo de salud?
Speaker A
Ejercicios, consumo de cigarros, consumo de alcohol, edad. Bueno, son varias hipótesis que podemos lanzar.
Speaker A
¿Cómo podemos saber esas cositas? Con gráficos exploratorios para ver a ver algún indicio de posible relación.
Speaker A
Bueno, primero vamos a discutir las pruebas de normalidad, muchachos. Por ejemplo, acá voy a crear un histograma usando la función base del R de la variable costa.
Speaker A
y le voy a superponer la distribución normal asociado a esos datos. Mejor dicho, si yo ejecuto esto, miren, lo que obtengo es esto, muchachos.
Speaker A
Miren, el histograma del costo de salud. Ustedes dirán, "Profesor, pero esto no es una distribución normal, ¿no?
Speaker A
Efectivamente, no es una distribución normal. Esa curva de roja es la curva, la distribución eh empírica de esos datos, ¿no?
Speaker A
Claro, yo lo grafiqué manualmente, ¿no? Si quieren agregarle al histograma lo pueden hacer fácilmente, muchachos, usando la función curv de nor. ¿Se acuerdan? Esta función de nor es la función de densidad de la normal, ¿no? Con media esto y con desaiación
Speaker A
estándar esto. Y le voy a decir, "Oye, agrégame esta curva a mi histó y lo único que voy a hacer es sombrear y ejecutar, ¿no? Ahí está.
Speaker A
Eso sería su distribución. Entonces no tiene distribución normal, obviamente no hay duda de eso, ¿no?
Speaker A
Pero gráficamente me sirve para explorar, pero no para tomar una decisión, ¿no? Para yo tomar una decisión, ¿qué necesito? Una prueba de hipótesis, muchachos. Para ello, ¿qué planteas?
Speaker A
Tus hipótesis. La hipótesis nula, las variables provienen de una distribución normal versus las variables no provienen de una distribución normal. No, profesor, ¿qué uso?
Speaker A
Shapiro o colomogrop. Según la teoría, Shapiro se usa para muestras de 50 a menos, ¿no? Y colmogró para muestras gráficas.
Speaker A
Acá voy a usar los dos, pero voy a tomar mi decisión con el KS porque su muestra es 525, ¿no? Miren la muestra, muchachos.
Speaker A
525 ¿no? Muy bien. ¿Qué es lo que tengo que usar? La función se llama KS test o el test de Colmogor esmirnos.
Speaker A
¿Qué le das como insumo? La variable y le dices que quiero probar la normale y simplemente sombreo y ejecuto.
Speaker A
Ahí está mi decisión. Profesor, ¿por qué me sale notación científica? Para evitar eso hay una un comando llamado options, ¿no? Optionspen si no me equivoco, y tres entonces de esa manera nos evitamos la anotación científica, muchachos.
Speaker A
Miren, miren su p valor, muchachos. ¿Cuál es la conclusión de la hipótesis? Como no me dan el alfa, se asume 5%, muchachos.
Speaker A
¿Cuál es la conclusión? A ver, ¿qué me dicen? Los datos no son normales. Excelente.
Speaker A
Excelente. Así de simple. Yo observo claramente que mi p valor es cer0 prácticamente y 0 con 0.05 es menor.
Speaker A
Sí, es menor. Por ende, rechazo la hipótesis nula. Estaría diciendo que las variables no provienen de una distribución. No, se acabó.
Speaker A
Gráficamente ya me daba una intuición de que no tenía distribución normal, pero ¿quién me da la estocada final?
Speaker A
Como se dice, la prueba de hipótesis. Con eso ya no hay duda. Así de simple.
Speaker A
Inclusive el R indica, ¿no?, que tu prueba de hipótesis es una bilateral, ¿no? Tit.
Speaker A
¿Por qué? Porque normalidad solamente existe un solo tipo de planteamiento de hipótesis, no hay más.
Speaker A
Muy bien, muchachos. Eso es la manera de probar la normalidad. También puedes usar Shapiro, ¿no? Shapiro también se llega a la misma conclusión, pero si queremos ser coherentes y técnicos con la teoría, como mi muestra es grande, usaría pues Colmogope SM,
Speaker A
pero al final las conclusiones son las mismas. Muy bien, muchachos. Ahora la pregunta del millón. Profesor, me parece muy bien que el cálculo de normalidad lo he hecho variable por variable, pero en mi base de datos yo tengo cinco
Speaker A
variables numéricas. ¿Cómo puedo ver la normalidad de un solo golpe para todos? ¿Cómo se haría eso?
Speaker A
Entonces yo le pedí al chat GPT que me haga ese proceso, un proceso automatizado.
Speaker A
No les voy a decir que yo he creado ese código, para qué mentirles. Le voy a decir la verdad.
Speaker A
Le dije, "¿Sabes qué? tengo cuatro variables numéricas y quiero automatizar la prueba de normalidad para esas, perdón, para esas cinco variables entonces lo que me hizo el CH GPT es crear un vector de todas las variables numéricas, edad, consume alcohol, consume cigarros,
Speaker A
horas de ejercicio y costo. y me va a aplicar Shapiro test, según sea el caso, mejor dicho, le he dicho, aplícame los dos, tanto Shapiro y Colmog y al final me das una tablita de resultados para tomar una decisión.
Speaker A
Voy a sombrear toda esta parte y voy a ejecutar. Ahí está, muchachos. Miren, claro, es un poco desordenado, ¿no?
Speaker A
Por ejemplo, para la primera variable edad me calcula el Shapiro y me calcula el colomón para la variable edad.
Speaker A
¿Cuál es la conclusión, muchachos? Miren, en ambos casos se rechaza la hipótesis, es decir, no se cumple con el supuesto de normal.
Speaker A
Así de simple, ¿no? Claro. También le hubiera pedido al CH GPT que todo esto resultado me lo lleve en un cuadrito de tal manera que lo puedo exportar en Excel, ¿no? Todo, todo bonito le puedo pedir.
Speaker A
Pero lo más importante, muchachos, para mí es que ustedes aprendan a aprender la hipótesis y a tomar la decisión.
Speaker A
Eso para mí es el más importante. Ya lo demás es un poco de estética.
Speaker A
Muy bien. Lo mismo se puede hacer para todas las variables, para consumo de alcohol, consumo de cigarro y así.
Speaker A
Ya es automatizado, Luis. Entonces, si alguna de las si alguna de las variables resulta normal, entonces puedo trabajar con estadística paramétrica para esa variable y no paramétrica para las no normales dentro de un mismo análisis.
Speaker A
Si es que tu prueba de hipótesis solo basa, se basa en una variable, ¿sí? Pero por ejemplo una correlación de Pierson, por ejemplo, una variable puede cumplir la normalidad, pero la otra no.
Speaker A
fuistes. Los dos tienen que ser normales. Bueno, lógicamente. Exacto. Yo me refiero que si yo voy a hacer una correlación entre dos variables, resulta eh que esas dos estoy analizando cinco variables y hay dos que son normales y
Speaker A
voy a relacionar esas dos. Uso paramétrica con esa y no paramétrica con las demás con los demás pares.
Speaker A
Sí, no hay problema porque estás cumpliendo con el supuesto, no va a haber ningún problema.
Speaker A
Ya el problema viene cuando quizás una cumple y la otra no como en caso de correlación. Ahí sí va a haber mucho problema. No estás cumpliendo en sí el supuesto.
Speaker A
Pero si vas a hacer las pruebas de hipótesis a nivel univariado, es decir variable por variable, donde se cumple la normalidad, puedes aplicar una paramétrica, donde no se cumple la normalidad, una no paramétrica.
Speaker A
Por eso después de estos puntos vamos a ver la la inferencia no paramétrica cruscaligual y todas esas pruebas, ¿no?
Speaker A
Muy bien. Miren este código también, muchachos, les ha generado un histograma automatizado. Miren, si se dan cuenta, miren, creo que no no se fijó por acá. Mira, voy a ejecutar nuevamente.
Speaker A
Ahí está. para costos, para ejercicio, para consumo de cigarro, para consumo alcohol y para la edad, ¿no? Gráficamente pues nadie, ninguna de las vares tiene distribución normal, ¿no? No, no creo que alguien tenga duda.
Speaker A
Y lo la prueba de hipótesis lo que te hace es darle mayor sustento nada más a eso.
Speaker A
Muy bien, muchachos. Eso es. Ahora hablemos de correlación, muchachos. Pero antes de hablar de correlación, tenemos que hablar si esas variables tienen relación lineal, ¿no? Para ver la relación lineal, los gráficos de dispersión son los más adecuados.
Speaker A
¿Cómo se hace un gráfico de expresión usando funciones base del R? plot, le das una variable numérica y la otra variable numérica y lo demás es estética, ¿no? Nombre, los ejes, color y el título.
Speaker A
Por ejemplo, voy a ver si el costo en salud está relacionado con la edad, ¿no?
Speaker A
Yo les pregunto, ¿habrá relación lineal en esos puntos? Habrá. Parece que sí. No es muy fuerte, pero algo se ve.
Speaker A
Lo que sí estoy observando es lo siguiente ¿no? A menor edad generalmente el gasto en salud es menos, ¿no?
Speaker A
Pero a medida que se incrementa más la edad muchachos el costo de salud está aumentando.
Speaker A
al menos mayoritariamente se observa eso. Entonces, me da algunas evidencias de que posiblemente podría haber una correlación.
Speaker A
Claro, no veo una correlación fuerte, quizás sea una correlación positiva, pero de baja intensidad, ¿no? Por ejemplo, un 0.4 quizás.
Speaker A
Eso es gráficamente lo que yo percibo, lo que yo observo, pero también puedo hacer lo mismo para costo de salud con ejercicio, ¿no?
Speaker A
Acá los puntos cambian de orientación, ¿no? Es decir, hay una relación inversa entre ejercicios y costos en salud.
Speaker A
¿Por qué creen, muchachos? ¿Por qué creen que hay una relación inversa? A mayor a mayor tiempo de ejercicio, eh los costos disminuyen porque uno mejora la salud.
Speaker A
Excelente. Hay una relación inversa, tiene sentido, ¿no? Con la edad era una relación directa, a mayor edad, por lo general mayor gasto en salud, pero en ejercicios la variable es ejercicio promedio. Horas de ejercicio por medio de la semana se llama la variable.
Speaker A
Evidentemente, si yo hago más ejercicios, mi salud va a mejorar, por ende, voy a gastar menos en salud.
Speaker A
Por eso la relación es inversa. Por eso los puntos también se comportan de esa manera, ¿no?
Speaker A
Entonces, acá también observo una relación no fuerte, pero una mediana relación. Es una relación moderada, se podría decir.
Speaker A
A ver, ¿cómo se interpretó acá? Quiero ver en el PPT, en el termómetro cómo se interpreta esa parte.
Speaker A
Vamos a ver. Eh, mediana intensidad, ¿no? Muy bien, muy bien. Eh, ya las Ahora viene la pregunta del millón.
Speaker A
He observado relaciones lineales eh mediana de de mediana intensidad, como se dice técnicamente. Entonces, la pregunta es, ¿cómo cuantifico esa relación lineal? Es decir, la correlación lineal. ¿Qué uso?
Speaker A
Tengo Pson, tengo Spearman. Bueno, si quiero usar en este caso Pson, yo debo garantizar la normalidad, ¿no? La linealidad sí lo tenemos, pero la normalidad ya lo hemos comprobado líneas atrás que no son distribuciones normales, ¿no?
Speaker A
Ya está demostrado. Entonces, por ende, no podemos optar por Pson muchachos. descartado, ¿no? Ninguna de las variables tienen distribución normal.
Speaker A
A modo de repaso puedo calcular un histograma y veo que efectivamente no tiene distribución normal tampoco. El costo de salud no tiene distribución normal, por ende distribución normal. No podría usar Pson, muchachos.
Speaker A
¿Cómo cuantificaría entonces la correlación? usando espirma, ¿no? Y cómo se calcula eso en R, muchachos. La función se llama cor.
Speaker A
¿Qué te pide? Las dos variables numéricas y el método de el tipo de correlación.
Speaker A
En este caso, yo le voy a decir que es firma. Así de simple, much.
Speaker A
Entonces, si yo corro el primero, que es el costo de salud versus la edad, se observa que hay una correlación, mira 0.19 una correlación positiva de baja intensidad.
Speaker A
Si bien existe una correlación positiva, pero es pequeña, no baja intención, pero existe. Hay acá viene un dilema muy importante.
Speaker A
Muchos piensan que el hecho que la que el valor sea grande de la correlación sea significativo siempre ¿no?
Speaker A
Y si tien una correción baja, muchos asumen que es no significativo. Que sea significativo o no significativo depende también del tamaño de la muestra muchachos.
Speaker A
Ojo, no solamente la magnitud de la correlación. Mucho cuidado ahí. La otra correlación entre costos y ejercicios es -0.41 41 aproximadamente mediana intensidad. Mediana intensidad correlación negativa de mediana intensidad ¿no?
Speaker A
Muy bien. Hasta ahí solamente hemos cuantificado la correlación, muchachos. Pregunta del millón. Profesor, quiero saber si esas correlaciones son significativas o no. ¿Cómo hago ese proceso?
Speaker A
Muy bien, ahí ya se transforma en una prueba hipótesis. Para ello voy a plantear mi hipótesis nula.
Speaker A
¿Cómo es mi hipótesis nula, muchachos? No existe correlación entre la edad y el costo en salud versus existe correlación entre la edad y el costo en salud.
Speaker A
Profesor, ¿y cómo sabe que se plantea la hipótesis así? Por la teoría, muchachos, por la teoría. Así de simple.
Speaker A
Muy bien. Entonces, ¿qué es lo que tengo que hacer si quiero probar esta hipótesis correlacional? En este caso, uso la prueba apropiada llamado core punt. Test.
Speaker A
Esa función hace la prueba de hipótesis para las correlaciones. Leas las dos variables y el método obviamente se espirman porque ya has garantizado o ya has corroborado efectivamente que no se cumple la normalidad.
Speaker A
Entonces simplemente ejecuto y listo. Acá también calcula el spec, muchachos. se rechaza la hipótesis nula, ¿no?
Speaker A
¿Por qué, profesor? Porque tu p valor es menor al 0.05. Por ende, se rechaza la hipótesis, ¿no?
Speaker A
Por ende, rechazo él y digo que sí existe correlación entre la edad y el costo en salud y además es significativa.
Speaker A
Muchachos, se dan cuenta que no depende laud. No se dejen llevar por el valor de la decisión de una prueba de hipótesis está estrechamente relacionado al tamaño de la muestra.
Speaker A
posiblemente si tu muestra hubiera sido más pequeña, otro hubiera sido el resultado. Eso es, muchachos, hacer una prueba hipótesis para una correlación.
Speaker A
Sencillo, así de simple. Pero hay que ser formales, ¿no? Hay que hacer las cosas como son, como se dice.
Speaker A
Muy bien. La otra prueba de hipótesis era entre costo en salud y horas de ejercicio en promedio de la semana, ¿no? Igualito planteo mi hipótesis. Númer.
Speaker A
No existe correlación entre el ejercicio y el costo de salud versus si existe correlación entre el ejercicio y el costo de salud.
Speaker A
Igualito cortés ejecuto. Y miren, miren, muchachos, acá está su espirma y acá está su p valor.
Speaker A
¿Cuál es la conclusión, muchachos? Efectivamente, esto es menor al 0.05, ¿no? Al alfa. ¿Cuál es la conclusión?
Speaker A
La conclusión, muchachos, es que se rechaza la hipótesis. Así de simple, muchach. Entonces, yo rechazo la hipótesis nula, estaría diciendo que si existe correlación entre el ejercicio y el costo en salud y además es significativa muchachos.
Speaker A
Así de simple. Entonces, muchachos, ustedes ya saben, identificar linealidad, probar normalidad, calcular correlaciones, hacer prueba de hipótesis para correlaciones y tomar decisiones, ¿no?
Speaker A
Todo eso se aprende fácilmente si es que tenemos obviamente bases teóricas. ¿Se imaginan hacer prueba hipótesis y correlación sin saber la teoría?
Speaker A
poco complicado, ¿no? Con la teoría es más, aprendemos a cómo formular correctamente el hipótesis.
Speaker A
Muy bien, muchachos. Eso es. Y como un plus les tengo algo interesante. Profesor, ¿cómo puedo mostrar de una manera mucho más interesante mis correlaciones?
Speaker A
Hay varias maneras. Una de las maneras más interesantes es usando un hit map, que es un mapa de calor de las correlaciones, usando la función corplot, ¿no? Corplot te permite generar mapas de calor de correlaciones que son muy vestosos, por cierto, y muy
Speaker A
interesantes también. Esto es un plus para ustedes, para sus informes o sus trabajos de investigación, ¿ya?
Speaker A
Entonces, yo ya sé que las variables numéricas son estas, ¿no? Entonces, ¿puedo calcular las correlaciones de Pirso?
Speaker A
En sí, no, no, pero para ver el ejemplo lo vamos a hacer. Miren, esta es la famosa matriz de correlaciones de Pierson de todas las variables de mi base a esto se conoce como la matriz de correlación.
Speaker A
Lo correcto es usar spe porque ya hemos corroborado que efectivamente no se cumplen los supuestos.
Speaker A
Esto es lo correcto. Miren la diferencia entre uno u otro. Acá dense cuenta algo. Miren, muchachos, la edad con el consumo alcohol tiene una correlación de 0 pun men 0.138 con Spean. Con Pearson, perdón.
Speaker A
con Spirman. Esa misma variable tiene esta correlación. Es un ejemplo para que entiendan la importancia de cumplir con los supuestos.
Speaker A
¿Qué pasaría si yo no obedezco los supuestos de Pearson y aplico Pearson siempre? ¿Habría impacto por no usar la herramienta apropiada?
Speaker A
Muchachos, ¿qué creen ustedes? Obviamente que sí, ¿no? Miren las magnitudes nada más. ¿Cuál es la moraleja de estos muchachos?
Speaker A
Usar una herramienta que no es, mejor dicho, que no cumple con los supuestos y estás forzando, te puede llevar a tomar malas decisiones y dependiendo del caso de investigación en la cual ustedes están, puede ser muy perjudicial, muchachos.
Speaker A
¿Se dan cuenta? No es que es un supuestito nada más. No, no es así, muchachos.
Speaker A
ese falta de de formalidad o falta de ser más técnicos nos puede costar mucho, ¿no?
Speaker A
Claro, si estás haciendo pues un análisis superficial no hay problema, ahí se entiende. un paper relacionado a salud, un paper económico, inclusive las mismas ingenierías en las cuales están involucradas muchas construcciones o cálculo de tiempos específicos para toma decisiones. Entonces, es muy
Speaker A
delicado ¿no? Entonces hay que ser lo más técnicos posibles en estos casos, muchachos. No seamos parte de ese rebañito que usamos las cosas por usar, no, no es así.
Speaker A
Ahí, ahí ven el impacto. Miren, si usamos Piarson y forzamos las cosas, ¿no? Y ustedes dirán, "Profesor, pero usted está siendo muy exagerado." No, no es eso, muchachos. Ah, miren, miren esta correlación entre costos y consumo de cigarro.
Speaker A
Pon te dice esto y Spirman te dice esto. ¿Qué opin? Hay mucha diferencia, ¿no?
Speaker A
Muy bien. Entonces, hay que tener muy en cuenta eso siempre, por favor. Ya dicho eso, ahora vamos a ver esa herramienta gráfica que les quiero mostrar. se llama hitmap de correlaciones o también conocido como mapa de calor de las correlaciones.
Speaker A
¿Qué te pide? Simplemente te pide como insumo la función corpor te pide la matriz de correlación Pson SPM. Obviamente nosotros vamos a usar SPM, ¿no? Pero igual les puse el ejemplo. Miren qué sucede si yo ejecuto esto.
Speaker A
Ah, no cargué la función la librería. Vuelvo para acá y lo ejecuto. Y esto es una herramienta visual, muchachos, para ver las correlaciones, ¿no?
Speaker A
Seguramente lo lo han visto en algún paper o algún artículo, algún alguna tesis, ¿no?, que es que usan bastante estas herramientas.
Speaker A
Actualmente hay que enfocarnos en las herramientas visuales porque es mucho más informativo, ¿no? Si tú le das una matriz y correlaciones esa tablita que les mostré no es muy intuitivo, ¿no? Sin embargo, esta herramienta es mucho más interesante.
Speaker A
Muy bien, muchachos. Eso es o eso sería todo nuestro laboratorio de la sesión siete, ¿no?
Speaker A
Ahí por favor repasen esos puntos. Ya. Muy bien. Ahora tenemos que ver nuestro tema siguiente que vendría a ser en este caso.
Speaker A
A ver, vamos a ver. Seguimos con las pruebas paramétricas, ¿no? Ustedes estudien y el anova o más conocido como el análisis de varianza, muchachos.
Speaker A
Muy bien. Oye muchachos. Vamos a ver entonces. Ya. Entonces, ya hemos visto pues todo lo que implica una prueba hipótesis, que es el nivel de significancia, los tipos de errores, la prueba normalidad, las correlaciones y así sucesivamente. muchachos existen
Speaker A
más pruebas de hipótesis que son muy usadas en investigación, ¿no? Las correlaciones ni hablar, son lo más usados, ¿no? Pero también existen otras pruebas muy interesantes. La prueba de estudi, por ejemplo, lo usas para comparar grupos o para
Speaker A
comparar un valor específico de una variable. Sirve para una variable o también para dos variables, ¿no? Si quieres comparar.
Speaker A
Sin embargo, si quieres comparar de tres grupos a más, ANOVA es la mejor herramienta, ¿no?
Speaker A
Pero, ¿cuál es lo malo de estas dos técnicas muchachos? Que ambos requieren normalidad. Eso es su talón de aquiles, se podría decir ¿no?
Speaker A
Ambos requieren normalidad. Profesor, ¿y qué pasa si no cumple con la normalidad? No podría usar, no podrías usar estas técnicas, pero en el enfoque no paramétrico tenemos tus competencias.
Speaker A
Por ejemplo, para Nova, en el no paramétrico existe la prueba de cruz carigualis que hace lo mismo.
Speaker A
En Tudent, tu contraparte no paramétrico es la prueba human de Wne, por ejemplo, y no requiere supuesto, no tiene supuesto.
Speaker A
Eh maestro adelante. Y la ventaja de usar Crucar Wall, por ejemplo, en R, que yo he tenido la oportunidad de hacer pinino con eso, es que yo puedo hacer el análisis post en R y los software como SPCS, por
Speaker A
ejemplo, no lo tienen para análisis no paramétrico. Exacto. R es muy potente para muchas cosas.
Speaker A
Totalmente de acuerdo. Es verdad. Es es muy cierto lo que comento, ¿no? Pero el mensaje, muchachos, es que no forcemos las cosas a todos, a nova no estuden o pso, no, no es así.
Speaker A
Existen herramientas alternativas. Entonces, si queremos ser formales, si queremos ser técnicos, hay que usar la herramienta apropiada, ¿no? Eso es mi mensaje centro.
Speaker A
Muy bien. Entonces, veamos esta teoría. Ya les he mencionado, muchachos, que solamente existen tres tipos de planteamiento y hipótesis, ¿no?
Speaker A
Por ejemplo, la prueba T student se puede aplicar para una sola muestra. para una muestra, por ejemplo.
Speaker A
Por ejemplo, si yo les digo que la edad promedio de los estudiantes de una universidad es eh 25 años, entonces yo diría que la alternativa sería diferente a 25 años, ¿no?
Speaker A
Pero también puede ser un tipo de planteamiento de esta manera o también de esta manera, ¿no?
Speaker A
Entonces, la prueba de hipótesis de T Studen para una muestra te permite corroborar una suposición puntual, es decir, una suposición para una variable, ¿no? en este caso en o decir que el salario promedio de los trabajador una empresa es, no sé, $300,
Speaker A
por ejemplo. Es una suposición relacionado a una variable, a una muestra, como se dice, ¿no?
Speaker A
Yo voy a tomar una muestra y corroborar si efectivamente se cumple eso o no.
Speaker A
Ustedes estuden sirve para eso. Lo único malo, como les comenté, requiere el supuesto de normalidad de esa variable, obviamente.
Speaker A
Muy bien. Entonces, para la construcción de esta prueba hipótesis, para tomar una decisión con el R sale super rápido, ¿no?
Speaker A
Pero antes, ¿qué se hacía, no? Cuando estamos en la universidad aquellos años, por ejemplo, tenemos que calcular el estadístico de prueba, algo así, ¿no? Supongamos que tu estadístico de prueba te salía, no sé, 8.1, uno, ¿no? Entonces, tú graficabas
Speaker A
tu distribución, definías tu zona de rechazo. Si tu valor cae en este punto, por ejemplo entonces al ser una región de aceptación ya no rechazabas tu hipótesisal.
Speaker A
Toda una toda una rutina era era la la manera de corroborar esas hipótesis, ¿no? Manualmente, por cierto.
Speaker A
Entonces, esto de acá es el famoso estadístico de prueba, que por cierto es un insumo usado para el cálculo del p valor, ¿no? Por eso el p valor actualmente es el más usado.
Speaker A
¿Por qué? Porque muchos software estadísticos se lo proporcionan y ya nos evitamos de todos esos cálculos.
Speaker A
con el R es mucho más potente, inclusive va a ser mucho más fácil todo eso, ¿no?
Speaker A
Por ejemplo, este ejercicio lo vamos a resolver manualmente muchachos. A ver, denle una leída super rápido, muchachos, para que entiendan un poquito de qué trata ese ejercicio.
Speaker A
Entonces, es un ejercicio interesante. Ah. Muy bien, entonces vamos a ver ese ejercicio. Muy bien.
Speaker A
Dice, "Un exportador de limones." Es un ejercicio didáctico, académico, muchachos. Ya, después vamos a ver con R. Dice, "Un exportador de limones empaqueta mallas que en término medio debe pesar 2 kg." Dice, "En promedio debería pesar 2 kg
Speaker A
con una desvesión estándar de 0.07." Muy bien. ¿Se sabe que el peso del empaquetado de las mallas sigue una distribución normal? Ah, ya. Es decir, te está dando ya te está dando que se cumple con la normalidad, ¿no? Es decir, se presta
Speaker A
para un test estudio, ¿no? Recientemente se ha producido ciertos desajustes en la máquina que rellena las mallas que hacen pensar que el peso medio haya podido cambiar.
Speaker A
Para verificarlo se extrae una muestra de 25 mallas y se encuentra un peso medio de 2.065 kg.
Speaker A
con un alfa de 1% el análisis muestral permitiría afirmar que el peso medio ha cambiado de forma significativa. Dice, entonces hay un escenario interesante, ¿no? Dice que el peso medio de las mallas tiene un promedio teórico de 2 kg, ¿no?
Speaker A
Pero desde hace cierto tiempo se han percatado que ha podido cambiar eso. Entonces, para sacarnos esa duda han tomado una muestra interesante ¿no?
Speaker A
Entonces, en otras palabras, ¿cuál es su hipótesis nula, muchachos? ¿Y cuál es su hipótesis alterna?
Speaker A
hablan de una variable, ¿no? La la nula sería que el peso es diferente de 2 kg y la alternativa que que el peso es igual a a 2 kg.
Speaker A
A ver, su compañero de la MEC dice eso. ¿Qué opinan los demás? Eh, no debe ser al revés.
Speaker A
Muy bien. La nula, la nula, la alternativa es diferente de 2 kg y la nula que es 2 kg.
Speaker A
Claro. Correcto. Este planteamiento no existe. No, ese es el planteamiento que dijimos ahorita que no debía hacer.
Speaker A
Lo acabo de hacer. Eso, eso es muy importante porque estamos aprendiendo. Qué bueno que haya quedado claro. Muy bien.
Speaker A
Muy bien, ¿no? Entonces, teóricamente dice que la máquina funciona correctamente si es que el peso es 2 kg, pero como tiene una suspecha, van a tomar una muestra de 25 mallas y van a corroborar si efectivamente es dos o es diferente.
Speaker A
Dos. En ningún momento nos ha nos ha mencionado el ejercicio que sea menor o igual a 2 kg o mayor igual a 2 kg.
Speaker A
Simplemente quieren saber si se mantiene o si cambió, nada más. Entonces, el planteamiento de hipótesis, muchachos, va a depender del ejercicio.
Speaker A
Hay que entender qué es lo que sea, ¿no? Entonces, si nosotros planteamos nuestra hipótesis correctamente, ya tenemos casi todo.
Speaker A
¿Se dan cuenta? Muy bien, vamos a ver eso. Yo he solucionado este ejercicio y ojo, manualmente.
Speaker A
La variable es peso en mallas de limón. El peso de las mallas de limón es la variable, mejor dicho, la variable es peso.
Speaker A
Tiene supuesto, dice que tiene distribución normal, es decir, es cumple con el supuesto para la prueba Test estudio, ¿no? Te dice que han tomado una muestra de 25 donde la media muestral es 2.065 y su desación es 0.07.
Speaker A
Esos son datos del ejercicio. Entonces, yo planteo mi hipótesis de la siguiente manera, ¿no? Si el promedio es 2 kg del peso, la máquina está funcionando correctamente ¿no?
Speaker A
Si el promedio es diferente de 2 kg, la máquina no está funcionando correctamente. Así de simple. Ustedes pueden plantear la hipótesis matemáticamente o de manera literal también, no hay problema. Lo importante es que se entienda, ¿no?
Speaker A
Y ahora, ¿qué viene? ¿No? Manualmente, ¿cómo calculábamos su estadístico de prueba? ¿No? El estadístico de prueba se calcula de la siguiente manera, ¿no?
Speaker A
El valor estimado menos el valor teórico sigma entre raíz n. No, esto tiene una distribución normal estándar, ¿no?
Speaker A
Recuerden la hipótesis el siguiente, muchach, que el mu sea igual al mu subo, ¿no?
Speaker A
Donde el mu sub0 es 2 kg, ¿no? Muy bien. Y todos los datos que necesitas para tu estadística de prueba lo tienes en el ejercicio, ¿no?
Speaker A
Vamos a explicar rápidamente la estadístico de prueba. ¿Cuánto vale el x? 2.065. 2.065 mu sub0 vale 2, ¿no?
Speaker A
-2 sigma vale 0.007 007 entre raíz de n. n vale 25 / 5, ¿no?
Speaker A
Si tú operas eso, muchachos, te va a salir efectivamente este valor, ¿no? 4.64. Oy perdón 4.6.
Speaker A
Manualmente estamos resolviendo el ejercicio ¿no? Y ahora viene otro punto, profesor. Es una prueba hipótesis bilateral, ¿correcto? Por ende, voy a tener dos colitas.
Speaker A
Mi colita uno, mi colita dos. Esas colitas definas de mis zonas de rechazo. Y estos puntitos de acá se los conoce como valores críticos.
Speaker A
Todo el área bajo la curva es uno. Las colitas al ser bilaterales definen el famoso error de tipo uno.
Speaker A
Entonces ambos suman alfa, ¿no? Entonces como son dos partes igualitos, son alfa medio y alfa medio, ¿no?
Speaker A
Por ende, esto vale 1 - alfa. Por eso sale el concepto de nivel de confianza, ¿no? Ya es toda la teoría está recontra vinculada, muchachos. Pero olvidemos el nivel, el intervalor de confianza y ahora hablemos de las pruebas de hipótesis. Ya.
Speaker A
Estos valores críticos son los famosos medidas de posición. ¿Se acuerdan cuando vimos estadística descriptiva?
Speaker A
Los cuartiles, quintiles, desciles, en general percentiles. Ya, esos son las medidas de posición. eran valorcitos que por debajo dejaban un conjunto de datos, ¿no?
Speaker A
Entonces, como esta es una distribución normal, que es una distribución Z, que es la normal estándar, esta es la distribución Z.
Speaker A
Esos puntitos, esos valores críticos, por ejemplo, es un cuantil de la distribución Z que por debajo está dejando 1 men alfa + alfa medio, 1 men alfa.
Speaker A
Pero alfa me dan de dato, ¿no? 0.0 25 si no me equivoco. Si ustedes reemplazan acá este Z, les va a salir 0.975.
Speaker A
Y este valorcito lo tienen que buscar dónde? En ese en esa tabla de probabilidades que están al final de los libros, ¿no? De estadísticas.
Speaker A
Ya es todo un mundo hacer este esta parte ¿no? Muy manual, como se dice, pero ese valorcito les va a salir 2.57.
Speaker A
Cuando buscamos en nuestra tablita de probabilidad nos va a salir eso. Entonces, este valorito saldría 2.57.
Speaker A
El otro valorcito no se calcula porque es el simétrico -2.57. Estos puntos son simétricos.
Speaker A
Ahora yo les pregunto, el valor 4.64, ¿dónde está? ¿Acá o acá? A la derecha. Está en la zona de en la cola derecha, en la zona de rechazo.
Speaker A
Zona de rechazo. Por ende, rechazo mi hipótesis. Nu. Así se tomaba decisiones antes, muchachos.
Speaker A
Se rechaza la hipótesis. Si yo rechazo él, estaría diciendo que el precio promedio, el peso promedio es diferente 2 kg, lo cual implica que la máquina no está funcionando correctamente, cerrado.
Speaker A
Eso es lo que así es como se resuelve un ejercicio manualmente, muchachos. Pero con el R ya no tenemos que hacer nada de esas cosas, ¿no? Pero igual siempre es importante, muchachos, entender eh cómo se hacía pues manualmente, ¿no?
Speaker A
Para entender los conceptos, para hablar de estadística de prueba, para hablar del valor crítico, para hablar de las medidas, las zonas de rechazo, las zonas de aceptación y todos esos tipos, ¿no?
Speaker A
Así es, muchachos, se procede a resolver un ejercicio manualmente. Ya. Muy bien. Lo más importante, muchachos, como les comento, para mí es que aprendan a formular la hipótesis. Eso es lo más importante.
Speaker A
Muy bien. Así como existe la pro hipótesis para una muestra para una variable numérica que está asociado a los promedios, por ejemplo, también existe una pro hipótesis para proporciones, es decir, para variables categóricas, ¿no?
Speaker A
Y también existe tres formas de planteamiento muchachos. El la proporción poblacional, muchachos, se nota por por pi, la media poblacional por mo Entonces, siempre cuando planteas hipótesis, muchachos, siempre van acá parámetros poblacionales, ya siempre, siempre es así. No existe una
Speaker A
prohipótesis, algo así. La media mostrar es igual a 5. Eso no existe. No existe. Siempre las pruebas de hipótesis están asociados a parámetros poblacionales siempre.
Speaker A
Eh Luis adelante. Cuando se hacen prueba de hipótesis para dos poblaciones también igual para para muestra poblacionales.
Speaker A
He visto algunos libros que la ponen la ponen muestra, pero cuando son dos poblaciones.
Speaker A
No te escuché muy bien. Dame, ¿podrías repetir, por favor? Te te decía que las pruebas de hipótesis para dos poblaciones también se hacen la la el planteamiento para parámetros poblacionales.
Speaker A
Sí, así es. Por ejemplo, te comento, supongamos que estás analizando la diferencia medias para dos la diferencia medias, ¿no? Es decir, dos muestras, lo que se plantea es así, ¿no?
Speaker A
Así también hay diferentes proporciones, pero el planteamiento hipótesis siempre está asociado a los parámetros poblacionales.
Speaker A
Siempre. Yo he visto libros que tienen, de hecho, tengo libros aquí que tienen medias muestrales ahí en ese planteamiento que tú estás haciendo, que la diferencia es cero o que la diferencia es distinta de cero, pero de las muestras de las medias muestrables,
Speaker A
¿no? Ahí está. Gravísimo, gravísim. Por eso mi pregunta, ¿eh? Sí, sí, sí. No, no hay problema. Pero siempre libro que tiene y libro que tienen tres y cuatro ediciones significa que hemos revisado muchas veces.
Speaker A
El problema es que ese libro no lo ha escrito un estadístico o uno relacionado a la rama de estadísticas.
Speaker A
Generalmente es a veces son ingenieros industriales, sistemas economistas, ¿no? Y ahí viene el problema.
Speaker A
Sí, es economista, creo que viene. Sí, sí, sí. Ahí ahí viene el problema. Pero no, toda hipótesis se hace bajo los parámetros por los ¿Por qué crees que usas una muestra para corroborar ello?
Speaker A
Si tú planteas una hipótesis muestral, usar una muestra para eso, no tiene sentido. Yo planteo, yo hago una suposición respecto a algo que sucede a nivel poblacional y para corroborar ello tomo una muestra.
Speaker A
¿Te das cuenta? Eso es el proceso. No es no por nada del mundo puede haber lo que comenta elegma. No, si ven un libro de esa manera, vótenlo ya, por favor.
Speaker A
Eso no existe, muchachos. Esto no existe, siempre está asociado a los parámetros por los Muy bien, igual, gracias por el aporte.
Speaker A
Y bueno, esto es su estadístico de prueba, ¿no? Se dan cuenta la proporción muestral, la proporción teórica y el cociente que se usa para calcular la estadística.
Speaker A
Muy bien, bien muchachos, nos quedamos acá porque ya nos falta 2 minutos, ¿no? Aún nos falta muchos puntos. Más bien para la sesión del día de mañana, muchachos, les quería pedir un favor.
Speaker A
Eh, ¿es posible que la clase lo adelantemos de 6 a 8 de la noche? Hora peruana.
Speaker A
¿Es posible eso, muchachos? ¿Qué dicen los demás? A ver. 6 a 8 horas peruan.
Speaker A
Eso sería el caso mío de 7 a 10. Sí, sí, para mí sí porque aquí son las 11 de la noche. Ya son las 10. Está bien, profesor.
Speaker A
Ya. ¿Qué dicen los demás, muchachos? A ver, lo que pasa, tengo un compromiso después de esa hora y tengo que salir.
Speaker A
Estoy de acuerdo, profesor. De 6 a 8. Muy bien. A ver, los demás, ¿qué dicen por el chat? Pueden responder, no hay problema.
Speaker A
Jenny, adelante. ¿Qué opinas? Coméntame. Bueno, a mí se me complica un poquito. Nosotros estamos de feriado acá en el Ecuador y sí se complica un poco, pero bueno, si la mayoría yo me yo escucharía las grabaciones.
Speaker A
Acá también es feriado en Perú, pero por eso les quería a esa hora, ¿no? Es unas dos horitas antes.
Speaker A
Sí, sí, complique un poco, pero bueno, en todo caso los escucharé desde la desde el celular.
Speaker A
Okay, ya muy bien, muchachos. Entonces, mañana hacemos clase de 6 a 8 hora Perú, por favor. Ya.
Speaker A
Muy bien. Más bien, gracias por la comprensión, muchachos. Muy bien, entonces nos quedamos acá, muchachos, y continuamos el día de mañana. Muchas gracias por su atención.
Topics:pruebas no paramétricashipótesis estadísticaerror tipo Ierror tipo IInivel de significanciaprueba de normalidadKolmogórov-SmirnovShapiroestadísticatesis
