[MUSIC] En este video vamos a discutir acerca del concepto de pruebas de hipótesis. Y especÃficamente en qué consisten, cómo se construyen. Y cómo se calculan y aplican en el contexto de la estimación de un parámetro. Por ejemplo, la media mu de la distribución de probabilidad de una variable aleatoria x. Consideremos una variable aleatoria x con función de probabilidad o función de densidad de probabilidad f sub x (x). Que depende de un parámetro theta cuyo valor es desconocido. Se tiene una muestra de aleatoria x1, x2, xn de la variable aleatoria x. En términos conceptuales, una hipótesis estadÃstica es una afirmación. Acerca del valor del parámetro de la distribución de probabilidad de una población, sà el tipo de distribución de la población se conoce. O sobre el tipo de distribución de probabilidad de la población, si esta es desconocida. Si la hipótesis especifica completamente la distribución, se llama hipótesis simple. De lo contrario, se dice que es una hipótesis compuesta. Hipótesis nula e hipótesis alterna en el contexto de pruebas de hipótesis. En pruebas de hipótesis estadÃsticas se acostumbra a llamar hipótesis nula, H0.. A aquella que se asume hasta el momento como válida. E hipótesis alterna, H1, a aquella que se presenta como nueva alternativa a la hipótesis H0, que hasta el momento aparece como válida. Prueba estadÃstica, una prueba para confrontar dos hipótesis estadÃsticas, H0 y H1, las cuales deben ser excluyentes. Es un procedimiento que permite tomar la decisión de no rechazar o de rechazar la hipótesis H0. Y, consecuentemente, rechazar o no rechazar H1. Según los valores obtenidos en la muestra aletoria y de acuerdo con cierto porcentaje admisible de error. Que corresponde al nivel de significancia de la prueba. Región crÃtica, la región, crÃtica asociada a la prueba de una hipótesis estadÃstica.. Es el conjunto de todos los posibles resultados de la muestra aleaoria para los cuales la hipótesis nula, H0, es rechazada. De acuerdo con la prueba aplicada. Usualmente, esta región se representa con base en la gráfica de la distribución de probabilidad del estadÃstico de prueba. Como veremos más adelante. Antes de continuar con las definiciones y conceptos sobre hipótesis estadÃsticas, vamos a presentar un ejemplo introductorio. Cierto medicamento tiene hasta el momento una efectividad del 70% en cuanto a la cura de cierta dolencia. El laboratorio que lo produce ha realizado una mejora del producto. Y quiere establecer si la efectividad del medicamento ha aumentado a un nivel de 80%. AquÃ, el parámetro de interés es el porcentaje de efectividad del medicamento. El cual se puede representar como la probabilidad p, p mayor o igual que 0 menor igual que 1. De que un paciente seleccionado al azar que tome el medicamento se cure de la dolencia. El parámetro p corresponde al parámetro de una distribución de Bernoulli. Con probabilidad de éxito p y probabilidad de fracaso, q, igual a 1- p. En este contexto, se plantean las siguientes hipótesis estadÃsticas simples Ho, p = 0.7, y H1, p = 0.8. ¿Mediante qué procedimiento estadÃstico podemos establecer si el porcentaje de efectividad del medicamento ha aumentado a un nivel de 80%? Se trata, entonces, de presentar técnicas estadÃsticas que permitan, con base en una muestra, la toria de la población. Tomar la decisión de rechazar la hipótesis nula H0, optando, aceptando la hipótesis alterna H1. O de no rechazar la hipótesis H0, descartando la hipótesis H1. Las pruebas estadÃsticas se construyen y definen con base en, uno, una muestra aleatoria de la variable aleatoria x. Cuyo parámetro se está analizando. Dos, un estimador apropiado del parámetro sobre el cual se plantean las hipótesis. Tres, un estadÃstico de prueba construido a partir del estimador del parámetro, con base en el cual se define la prueba estadÃstica. En el caso de la efectividad del medicamento, por ejemplo, tendrÃamos, uno, una muestra aleatoria x1, x2, xn de la variable aleatoria x.. Que corresponderÃa a una muestra de n personas que han tomado el medicamento. Para cada individuo i de la muestra, la variable xi tomará el valor de 1 si el medicamento resultó efectivo para ese individuo. O de 0, si el medicamento no tuvo el efecto buscado. Dos, el estimador del parámetro p estarÃa dado por p sombrero igual a x barra, que es un estimador apropiado de p. Tres, el estadÃstico de prueba estarÃa dado por EP = p sombrero- p dividido por la raÃz cuadrada de p (1- p) / n. Bajo la validez de la hipótesis nula H0, dada por p = 0.7. Esta estadÃstica tomarÃa la forma p sombrero- 0.7 dividido por la raÃz cuadrada de 0.7 (1- 0.7) / n. Para un tamaño de la muestra suficientemente grande, esta estadÃstica tiene aproximadamente una distribución normal de media 0 y varianza 1. Es decir, una distribución normal 0,1. Observemos entonces que el estadÃstico de prueba tomarÃa la forma. X barra- 0.7 siete dividido por la raÃz cuadrada de 0.7 (1- 0.7) / n. Este estadÃstico puede tomar diferentes valores acorde con el resultado que produce la muestra aletoria. Y que, dependiendo del resultado de esta estadÃstica, se debe tomar la decisión de rechazar o de no rechazar la hipótesis nula H0. Debe ser claro para los participantes que si x barra diera, por ejemplo, como resultado 0.7. Lo cual es altamente improbable por la variabilidad de la muestra, o un valor muy cercano a 0.7. DeberÃamos tender a no rechazar la hipótesis nula. Mientras que si x barra diera como resultado, por ejemplo, 0.78, deberÃamos tender a rechazar la hipótesis nula. Un elemento fundamental de las pruebas de hipótesis es que inevitablemente tienen un nivel de error. Puesto que la decisión está basada en el resultado que produce una estadÃstica, que es una variable aleatoria. Ello hace que al aplicar una prueba estadÃstica pueda suceder que se rechace la hipótesis nula siendo en realidad esta verdadera. O que se acepte la hipótesis nula siendo en realidad esta falsa. La discusión anterior motiva las definiciones que presentaremos a continuación. [MUSIC]