ING. SISTEMAS

TRABAJO COLABORATIVO 2

LILIANA CATHERINE PADILLA ZAMBRANO

CODIGO 53161204

PRESENTADO A: VICTOR MANUEL BOHORQUEZ

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

INGENIERIA DE SISTEMAS

BOGOTA

2012

INTRODUCCION

En este trabajo desarrollamos la temática dada en la guía, desarrollando cada uno delos ejercicios propuestos afianzado los conocimientos teórico prácticos de las pruebas de hipótesis, comparándolas en dos parámetros, se reforzó el análisis de varianza que es un valor que se supone es verdadero y se pone a prueba a través de la evidencia lo que permite probar que tan dispersos están los datos y permite aceptar o rechazar una hipótesis teniendo los criterios devaluación y analizamos los errores de tipo I y II.

OBJETIVO GENERAL

Afianzar los conocimientos obtenidos a través del trabajo realizado en forma individual y grupal

OBJETIVOS ESPECIFICOS

• Interpretar de manera adecuada el concepto de prueba de hipótesis estadístico y aplicarlo en toma de decisiones.

• Analizar e identificar los conceptos básicos del análisis de varianza

• Comprender las pruebas paramétricas y no paramétricas

TABLA DE CONTENIDO

7. Explique la diferencia entre pruebas paramétricas y no paramétricas:

PARAMETRICAS NO PARAMETRICAS

Pruebas de hipótesis estadísticas que asumen cierto comportamiento de:

• Muestras obtenidas aleatoriamente

• Distribución normal de las observaciones.

• Existe un parámetro de interés que buscamos estimar. No asumen el comportamiento de las paramétricas total o parcialmente.

Se deben usar con:

• Las variables tienen que ser cuantitativas y estar medidas en escalas de intervalo o razón.

• Los datos siguen una distribución normal.

• Las varianzas son iguales.

• Muestras grandes (n>30) Se deben usar con:

• Datos de distribución libre (no necesariamente normal). Si un grupo tiene distribución normal mientras el otro no.

• Si se trata de datos de datos cuantitativos, ordinales o nominales.

• Con varianza grande, un grupo con varianza 0 y el otro no.

• Al trabajar con muestras pequeñas.

Método donde la distribución de muestreo es conocida Método que no requiere conocimiento de la distribución del muestreo estadístico.

Su cálculo implica una estimación de los parámetros de la población con base con muestras estadísticas. Mientras más grande sea la muestra más exacta será la estimación, mientras más pequeña, mas distorsionada será la medida de las muestras por los valores raros extremos. No presuponen una distribución de probabilidad para los datos por ello se conocen también como de distribución libre

Ventajas:

• Tienen mas poder de contraste.

• Mas poder de eficiencia.

• Mas sensibles a los rasgos de los datos recolectados.

• Completas (dan estimaciones probabilistas bastantes exactas) Ventajas:

• Fáciles de usar y entender.

• Se pueden usar con muestras pequeñas.

• Eliminan la necesidad de suposiciones restrictivas de las pruebas paramétricas.

...