Esquema 1._Potencia de prueba 1.1 Formula 1.2._Pasos 1.3._Ejemplos 2._curva de potencia 2.1._Formula 2.2._Pasos 2.3._Ejemplos 3._curva de operacin 3.1.

_Formula 3.2._Pasos 3.3._Ejemplos 4._ valor p 4.1._Formula 4.2._Pasos 4.3._Ejemplos 5._lema de neyman Pearson 6._prueba de kolnogaroo smirnoo 7._prueba de durbin Watson 8._metodologia backward y farward para obtener el mejor conjunto de variable independiente

1._ potencia de prueba: La potencia de una prueba es la probabilidad de rechazar la hiptesis nula cuando de hecho esta es falsa y debera ser rechazada. Una manera en que podemos controlar la probabilidad de cometer un error del tipo II en un estudio, consiste en aumentar el tamao de la muestra. Tamaos ms grandes de muestra, nos permitirn detectar diferencias incluso muy pequeas entre las estadsticas de muestra y los parmetros de la poblacin. Cuando se disminuye , aumentar de modo que una reduccin en el riesgo de cometer un error de tipo I tendr como resultado un aumento en el riesgo de cometer un error tipo II. Prueba de hiptesis Z para la media (desvo de la poblacin conocido) El estadstico de prueba a utilizar es: La Potencia de una prueba representa la probabilidad de que la hiptesis nula no sea rechazada cuando de hecho es falsa y debera rechazrsele. La potencia de prueba 1- representa la sensibilidad de la prueba estadstica para detectar cambios que se presentan al medir la probabilidad de rechazar la hiptesis nula cuando de hecho es falsa y debera ser rechazada. La potencia de prueba estadstica depende de qu tan diferente en realidad es la media verdadera de la poblacin del valor supuesto. Una prueba de un extremo es ms poderosa que una de dos extremos, y se debera utilizar siempre que sea adecuado especificar la direccin de la hiptesis alternativa. Puesto que la probabilidad de cometer un error tipo I y la probabilidad de cometer un error tipo II tienen una relacin inversa y esta ltima es el complemento de la potencia de prueba (1-), entonces y la potencia de la prueba varan en proporcin directa. Un aumento en el valor del nivel de significacin escogido, tendra como resultado un aumento en la potencia y una disminucin en tendra como resultado una disminucin en la potencia. Un aumento en el tamao de la muestra escogida tendra como resultado un aumento en la potencia de la prueba, una disminucin en el tamao de la muestra seleccionada tendra como resultado una disminucin en la potencia. 1.3._EJEMPLO: Se realizan controles de calidad y de eficacia de vacunas contra herpes virus bovino-1 (HVB-1) aplicando un novedoso modelo de anlisis que incluye una etapa de estudio en ratones y otra posterior en bovinos. En la segunda etapa se le aplica la vacuna a un grupo de bovinos. Ms tarde se lo desafa con el herpes virus infeccioso, bajo estrictas normas de seguridad, para evaluar si la vacuna ha resultado protectiva. Este mtodo se denomina prueba de potencia, y ya ha sido realizado con xito para la empresa farmacutica Biognesis para controlar vacunas de serie contra HVB-1. El servicio a esta empresa en particular contina en la actualidad. Potencia de la prueba La potencia de una prueba es la probabilidad de rechazar la hiptesis nula cuando sta sea falsa. Se suele simbolizar como 1-. Se suele considerar OK una potencia de al menos 080 (es decir, asumiendo 100 experimentos en que hay un efecto real, lo detectaramos -en promedio- 80 veces.) La potencia de una prueba AUMENTA cuando aumentamos el tamao muestral. (Por

ejemplo, en la prueba t para la diferencia de medias, ello se observa por cuanto n incrementa el valor de la t emprica.) La potencia de una prueba AUMENTA cuando el tamao del efecto aumenta. (Por ejemplo, en la prueba t para la diferencia de medias, cuanto mayor sea la diferencia de medias, mayor ser el valor de la t emprica.) La potencia de una prueba DISMINUYE cuando reducimos la probabilidad de error de tipo I (alpha o ). Es decir, si alpha es de 001 en lugar de 005, los valores crticos (v.g., las t tricas en el caso de la prueba de diferencia de medias) son algo ms extremos y necesitaremos un valor del estadstico de contraste (v.g., t emprica) mayor para rechazar la hiptesis nula.

2._curva de potencia:
Podemos limitar un error de tipo I eligiendo adecuadamente el nivel de significancia. Es posible evitar el riesgo de cometer el error tipo II simplemente no aceptando nunca la hiptesis, pero en muchas aplicaciones prcticas esto es inviable. En tales casos, se suele recurrir a curvas caractersticas de operacin o curvas de potencia que son grficos que muestran las probabilidades de error de tipo II bajo diversas hiptesis. Proporcionan indicaciones de hasta que punto un test dado nos permitir evitar un error de tipo II; es decir, nos indicarn la potencia de un test a la hora de prevenir decisiones errneas. Son tiles en el diseo de experimentos por que sugieren entre otras cosas el tamao de muestra a manejar.

3._curva de operacin 4._ valor p:

En contrastes de hiptesis, en Estadstica, el valor p (a veces conocido simplemente como la p, valor p, o bien directamente en ingls p-value) est definido como la probabilidad de obtener un resultado al menos tan extremo como el que realmente se ha obtenido (valor del estadstico calculado), suponiendo que la hiptesis nula es cierta. Es fundamental tener en cuenta que el valor p est basado en la asuncin de la hiptesis de partida (o hiptesis nula).

Ejemplo
Supongamos que dos amigos estn en un bar y uno le dice a otro que es capaz de distinguir, sin lugar a dudas, un whisky barato de uno caro. Como el otro amigo no lo cree, deciden hacer una prueba. El amigo bravucn dice que acierta qu tipo de whisky est tomando el 90% de las veces, ya que a veces los hielos le distorsionan la cata. Deciden hacerle probar 20 whiskys (en das distintos) y obtienen el resultado de que acert sobre el contenido del vaso que estaba probando en 14 noches. Dado que nuestro amigo dijo que acertara el 90% de las veces y slo acert el 70% de ellas (14 de 20 noches), podemos creer a nuestro amigo, o nos est engaando? es posible que fallara por mala suerte, pero si le dejamos seguir intentndolo a la larga acertar el 90%? Est claro que si hubiera acertado todas las noches, o 19 de ellas le creeramos sin lugar a dudas, tambin si hubiera fallado todas o casi todas le desmentiramos sin dudar, pero con 14 sobre 20 es algo dudoso. Esto es lo que podemos medir con el valor p.

Si suponemos que la hiptesis nula es cierta, esto quiere decir que las catas de nuestro amigo se distribuyen segn una binomial deparmetro 0,9, esto es, como una moneda que saliera cara el 90% de las veces y cruz el 10%. Cul es la probabilidad de que una distribucin binomial de parmetro 0,9 repetida 20 veces nos de como resultado 14 caras y 6 cruces? Calculando esa probabilidad nos queda p=0,0088. Si a este valor le sumamos la probabilidad de que acierte slo 13 veces, ms la probabilidad de que acierte slo 12 veces y as hasta la probabilidad de que no acierte ninguna vez, es decir la probabilidad de que acierte 14 o menos veces esto nos da p=0,01125. Este es el valor p. Qu significa esto? Esto significa que si realmente suponemos que nuestro amigo acierta el 90%de las veces que prueba una copa y ha probado 20 copas, la probabilidad de que acierte 14 o menos copas es del 1,125%. Por tanto, si damos una potencia de contraste usual de 0,05, que significa que aceptamos equivocarnos el 5% de las veces si repitiramos el experimento, como el valor p es inferior a la potencia del contraste, rechazamos la hiptesis nula, y declaramos que nuestro amigo es un fanfarrn. Estadsticamente, esto lo hacemos porque el resultado observado (14 aciertos de 20 intentos) es muy poco probable si suponemos que acierta el 90% de las veces, por lo tanto asumimos que no era cierta la hiptesis nula. Que hubiera pasado si hubiera acertado las 20 veces? En ese caso el valor p saldra muy alto, ya que es muy probable que una distribucin binomial de parmetro 0,9 repetida 20 veces nos de 20. Por tanto no rechazamos la hiptesis nula, que no es lo mismo que decir que la aceptamos. Es decir, diramos que es verosmil que acierte el 90% de las veces, es posible que lleve razn, no tenemos evidencias en contra de ello. Es importante decir que no se acepta la hiptesis nula, ya que tambin sera lgico aceptar que acierta el 100% de las veces y, o bien acierta el 90% o bien acierta el 100%, pero ambas no pueden ser vlidas a la vez. El valor p, o tambin llamado p consignado, es la probabilidad de que de la poblacin propuesta por la hiptesis nula se obtenga la muestra observada o una an ms alejada.

5._lema de neyman Pearson:

Clase 11 Teora de Neyman-Pearson La teora de Neyman-Pearson establece una base para la prueba de hiptesis. Aumenta nuestra sincomprensin de la compensacin entre errores tipo I y tipo II

Lema de Neyman-Pearson

Se menciona que la identificacin de la mejor regin crtica para una prueba (es decir, la regin crtica que maximiza la potencia de la prueba), suele ser difcil.

Sin embargo, hay una situacin en la que esta tarea es relativamente fcil, y totalmente atendidos por el lema de Neyman-Pearson (o teorema).
Simple hiptesis

Una hiptesis H se dice que es "simple" si, cuando se cumple, la distribucin est completamente especificada. El tipo ms comn de la simple hiptesis asigna un valor a un parmetro de la distribucin: H: = 0 pero vamos a ver un ejemplo de la simple hiptesis de que no involucra a todos los parmetros.
Una hiptesis tales como H: > 0, lo que no es simple, se dice que es compuesto.

El lema de Neyman-Pearson

El lema de Neyman-Pearson se apoya en la identificacin de la mejor regin crtica ( BCR ) de una prueba de que tanto la hiptesis nula y la hiptesis alternativa es simple. La prueba por lo tanto, dice lo siguiente:
* H 0: = 0 * H 1: = 1
Probabilidades

Si H 0 es verdadera, la distribucin es completamente determinado, y tambin lo es la probabilidad de L (x, 0) de la muestra. De manera similar, si H 1 es verdadera, la distribucin es completamente determinado, y tambin lo es la probabilidad de L (x, 1) de la muestra. Parece natural a favor de la hiptesis conduce a un gran valor de la probabilidad, pero esto es slo una corazonada que necesita ser formalizado. Esto es lo que el lema de Neyman-Pearson hace.
Razn de verosimilitud

El teorema (que se demuestra a continuacin ) es como sigue: * Deje que es un determinado nivel de significacin . * Entonces existe un nmero k tal que la mejor regin crtica de la prueba es la regin del espacio de muestra de tal manera que:
L (x, 1) / L (x, 0)> k

o en palabras: * El BCR es la regin que contiene todas las muestras tales que el valor de la relacin de las probabilidades en cada hiptesis est por encima de un cierto umbral k determinado por solamente.
Neyman-Pearson y estadstica suficiente

Vamos a demostrar que, por simple que sea, la expresin del lema de Neyman-Pearson se hace an ms sencillo cuando el parmetro admite un estadstico suficiente . Esto resulta ser una consecuencia directa del teorema de factorizacin . ----Tambin vamos a dar a las representaciones grficas particularmente convincente de: * La importancia nivel, * Y el poder (1 - ) de la prueba, as como del hecho de que y variar en direcciones opuestas.
Probabilidad de pruebas de relaciones

El lema de Neyman-Pearson se limita a probar un par de hiptesis simple. Sin embargo, la idea de usar probabilidades para probar la hiptesis ms general es atractivo. Al desarrollarse an ms, esta idea lleva a la razn de verosimilitud de prueba ( LRT ) procedimiento, un mtodo general y de gran alcance para la construccin de pruebas que afecten a los valores de los parmetros de una distribucin.
6._prueba de kolnogaroo smirnoo 7._prueba de durbin Watson:
El mtodo de Durbin Watson busca rechazar la hiptesis nula de inexistencia de autocorrelacin mediante el estadstico h para pruebas de muestras grandes. Si el estadstico de la regresin efectuada est distribuido en forma asintticamente normal con media cero y varianza unitaria y adems se encuentra entre (-1,96, +1,96), con un 95% de confianza se puede rechazar la hiptesis nula de que no hay correlacin de primer orden (positiva o negativa). El valor de h para nuestro modelo es de -0,0206, por lo que podemos aceptar la hiptesis nula de ausencia de autocorrelacin con un 95%. La inclusin del AR(1) corrige el problema de autocorrelacin propio de este modelo, adems de contribuir en la explicacin del comportamiento de la variable dependiente. En este grfico se puede observar que no existe una correlacin entre las variables graficadas. Grfico 2.5 Residuos y residuos (-1).

Fuente: Elaboracin propia. Esto confirma lo obtenido mediante el mtodo de Durbin Watson, que demostraba la ausencia de correlacin.

8._metodologia backward y farward para obtener el mejor conjunto de variable independiente.