Prueba de Hipotesis LLL

Trabajo de pruebas de hipótesis
Daniel David Jiménez Barbosa

Laura Juliana sierra
Estudiantes de Ingeniería de Petróleos
Carlos Alfonso Mantilla Duarte

Economista, Especialista en Estadística - Universidad Industrial de Santander
M.Sc. en Estadística Aplicada, Ph. D. (c) en Estadística Matemática y Aplicada - Universidad de Granada
Universidad Industrial de Santander
Facultades Fisicoquímicas
Estadística
Bucaramanga
2020
Índice
Introducción……………………………………………………………………………(1)
▪ Objetivos
▪ Resultados que se esperan obtener
Marco de referencia ………………………………………………………………(2)
Resultados y discusiones……………………………………………………….(3)
Conclusión………………………………………………………………………………..(4)
Introducción
La industria petrolera cada día está en busca exhaustiva de ingenieros con habilidades de
programación, de estadística y de optimización de problemas presentes en cualquier área.
Es importante hablar primeramente acerca de la teoría básica del muestreo, que es la base
de este proyecto, en donde se tendrá en cuenta dar resultados concisos y con el menor
margen de error posible.
De manera simple la podemos definir como la relación que hay entre una población y las
muestras tomadas de ella.
Si vamos más allá de lo que consiste este proyecto, podemos entender con gran veracidad
que la teoría del muestreo también es útil en muchos campos. Uno de los campos en donde
podemos usarla ampliamente es en la industria de Hidrocarburos ya que en esta se maneja
información muy valiosa, como, por ejemplo:
I. Propiedades petrofísicas de un determinado yacimiento petrolífero

II. Propiedades geológicas
III. Análisis de datos acumulados de las propiedades obtenidas de un proceso de
corazonamiento.
IV. Análisis de registros
En este proyecto (prueba de hipótesis) específicamente se buscarán las herramientas

estadísticas necesarias para hacer de cada uno de los objetivos planteados un éxito, en el
cual mediante tablas de datos, que de alguna manera son la mejor opción para la entrega
de resultados. De igual forma la estética toma parte importante en la presentación de los
mismos. Para eso debemos tener muy presente en nuestro camino el concepto de muestra
y lo que esta nos puede proporcionar. Teniendo un pequeño cuadro de información
poblacional, la muestra nos puede proporcionar la información necesaria para establecer
los lineamientos que requiere una empresa, un país, un proyecto de investigación a un
costo que básicamente seria económico.
De manera que, la teoría del muestreo la usamos o se usa para estimar cantidades no
conocidas de una población, tales como la media, la varianza o también llamadas
parámetros de la población y, en general un estudio de las inferencias realizadas sobre una
población a partir de muestras de la misma, con indicación de la precisión de tales
inferencias, se llama inferencia estadística. En este proyecto esperamos comparar
determinados resultados de determinadas pruebas con los departamentos que se tomaron
como objeto de estudio.
En base a esto, surge el teorema del límite central de una población. Este teorema nos dice
que, si seleccionamos una muestra de un determinado tamaño, la distribución muestral de
las medias de muestras es aproximadamente una distribución normal. ”no debemos
confundir muestra con población, son términos totalmente diferentes”
Usando un software como (RSTUDIO, R -PROJECT- MATLAB) nos facilitamos un 100% de

tiempo en entregar resultados. Es indispensable comprender las siguientes incógnitas que
tuvimos muy en cuenta en este proyecto de prueba de hipótesis y que teniendo claro su
definición e importancia en la estadística se destaca el por qué la usamos en el mismo:
I. ¿Por qué hacemos inferencia?

R: Porque nos puede ahorrar tiempo y dinero en base a una idea que relativamente
esta oculta.
II. ¿Qué necesitamos para hacer inferencia?

R: debemos tener datos de una muestra y principalmente tener claro que es lo que
se quiere obtener.
III. ¿Cuándo hacer inferencia?

R: se debe hacer inferencia cuando necesitamos comprobar una hipótesis
IV. ¿Cuál es la utilidad de hacer inferencia?

R: el hacer inferencia nos genera mas ahorro. Esta busca reducir al máximo posible
costos y agilizar los resultados
V. ¿Por qué hacemos muestreo?

R: Hacemos muestreo porque los resultados son los más adecuados posibles
básicamente.
Y hago énfasis en que:

Teniendo una población, y si se usa un poco la lógica, concluiremos que el mejor
camino es hacer muestreo. Organizar y seleccionar la información que
verdaderamente necesitamos para dar en detalle las respectivas comparaciones y
cambios que hubo entre los objetos tomados de la muestra.
Objetivos
• Objetivos generales
i. Debemos verificar o constatar mediante pruebas de hipótesis si los promedios de

cada prueba son iguales o diferentes entre los departamentos que decidimos
seleccionar (en este caso tomamos cinco departamentos)
ii. Confirmar por medio de las pruebas de hipótesis si los promedios de cada prueba
son iguales o diferentes entre tipo de IES.
iii. Diseñar una prueba de bondad de ajuste y una prueba de independencia para los
datos suministrados.
• Objetivos específicos
i. Utilizar el software, que en este caso usamos Rstudio e insertar los códigos
correctos para no tener errores en el procedimiento.
ii. En cada dato obtenido se va guardando y organizando en tablas

iii. Tener un orden en el procedimiento para poder tener una secuencia ordenada de
resultados
Resultados esperados
i. Se espera tener un muestreo adecuado, basado en los datos que queríamos sacar
de la población
ii. Se espera tener el dato de la media y la varianza
iii. Como parte final esperamos principalmente cumplir con los objetivos generales de
forma concisa y precisa.
Marco de referencia
Inferencia Estadística:
Esta hace referencia directa a las estimaciones que, sobre una población se hacen a partir
de una muestra. Y para esto recurrimos a las pruebas de hipótesis
Dentro de las pruebas de hipótesis tenemos:
A. La distribución muestral
B. Estimación por intervalo
C. Prueba de una media
D. Prueba de una proporción
E. Prueba de diferencia de dos medias
F. Prueba de diferencia de dos proporciones
G. Pruebas de independencia
H. Prueba de bondad y ajuste
Muestreo
Es la técnica de selección de una muestra teniendo una población. En base a esto existen
varios tipos de muestreos que se mencionaran a continuación:
a. Muestreo aleatorio simple

b. Muestreo aleatorio sistemático
c. Muestreo aleatorio estratificado
d. Muestreo por conglomerados
Error muestral
Es una medida de la variabilidad de las estimaciones de muestras repetidas en torno al valor

de la población. Y en base a esto se observa cómo calcularlo
Fuente: https://slideplayer.es/slide/2840032/10/images/15/C%C3%A1lculo+del+Error+Muestral.jpg
Varianza poblacional
Cuando una población es más homogénea la varianza es menor. Generalmente es un valor

desconocido y hay que estimarlo a partir de datos de estudios previos. Esta es muy
importante al momento de realizar un muestreo ya que determina o describe
cualitativamente la población.
Fuente: https://www.wikihow.com/images_en/thumb/4/4f/Calculate_Variance_Step_10-ES.jpg/728px-
Calculate_Variance_Step_10-ES.jpg
Pruebas de hipótesis
Estas se definen como cualquier afirmación acerca de una población y sus parámetros.
cabe mencionar que una prueba de hipótesis consiste en contrastar dos hipótesis
estadísticas. esto involucra tomar alguna decisión acerca de las hipótesis. Ésta decisión
consiste en rechazar o no una hipótesis en favor de la otra.
Ho: hipótesis nula

H1: hipótesis alternativa
Partes de una hipótesis
1-La hipótesis nula “Ho”

2-La hipótesis alternativa “H1”
3-El estadístico de prueba
4-Errores tipo I y II
5-La región de rechazo (crítica)
6-La toma de decisión
La Media
Representa el reparto equitativo, el equilibrio, la equidad. Es el valor que tendrían los

datos, si todos ellos fueran iguales. O, también, el valor que correspondería a cada uno de
los datos de la distribución si su suma total se repartiera por igual.
En la gráfica se representa la posición de la media como caso especial
Resultados
Solucionario primer punto (comprobación mediante pruebas de hipótesis)

Análisis entre departamentos vs puntaje de ingles(el guion de calculo est
a al final)
Caldas comparado con los demás departamentos
Welch Two Sample t-test
data: caldas_ingles and atlant_ingles

t = -7.9623, df = 27339, p-value = 1.754e-15
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-2.984421 -1.805339
sample estimates:
mean of x mean of y
149.2279 151.6228
data: caldas_ingles and antio_ingles

t = -21.629, df = 20502, p-value < 2.2e-16
-6.512352 -5.430112
sample estimates:
mean of x mean of y
149.2279 155.1992
data: caldas_ingles and cundi_ingles

t = 4.3993, df = 24535, p-value = 1.091e-05
0.7103838 1.8520692
sample estimates:
mean of x mean of y
149.2279 147.9467
data: caldas_ingles and valle_ingles

t = -3.179, df = 23215, p-value = 0.00148
-1.4688086 -0.3483886
sample estimates:
mean of x mean of y
149.2279 150.1365
Atlántico comparado con los demás departamentos
data: atlant_ingles and antio_ingles

t = -17.849, df = 80878, p-value < 2.2e-16
-3.969062 -3.183642
sample estimates:
mean of x mean of y
151.6228 155.1992
data: atlant_ingles and cundi_ingles

t = 16.65, df = 79674, p-value < 2.2e-16
3.243353 4.108860
sample estimates:
mean of x mean of y
151.6228 147.9467
data: atlant_ingles and valle_ingles

t = 6.9587, df = 86540, p-value = 3.458e-12
1.067655 1.904908
sample estimates:
mean of x mean of y
151.6228 150.1365
Antioquia comparado con los departamentos

data: antio_ingles and cundi_ingles

t = 39.048, df = 86370, p-value < 2.2e-16
6.888423 7.616494
sample estimates:
mean of x mean of y
155.1992 147.9467
data: antio_ingles and valle_ingles

t = 28.586, df = 123014, p-value < 2.2e-16
4.715511 5.409756
sample estimates:
mean of x mean of y
155.1992 150.1365
data: cundi_ingles and valle_ingles

t = -10.953, df = 89258, p-value < 2.2e-16
-2.581678 -1.797972
sample estimates:
mean of x mean of y
147.9467 150.1365
Comparación entre departamentos vs lectura critica

Caldas comparado con los demás departamentos
data: caldas_lectura and atlant_lectura

t = 15.037, df = 25518, p-value < 2.2e-16
3.867892 5.027386
sample estimates:
mean of x mean of y
151.9601 147.5124
data: caldas_lectura and antio_lectura

t = -14.606, df = 19732, p-value < 2.2e-16
-4.547813 -3.471617
sample estimates:
mean of x mean of y
151.9601 155.9698
data: caldas_lectura and cundi_lectura

t = 9.2879, df = 24435, p-value < 2.2e-16
2.140826 3.286094
sample estimates:
mean of x mean of y
151.9601 149.2466
data: caldas_lectura and valle_lectura

t = 5.0524, df = 22503, p-value = 4.398e-07
0.8801051 1.9958293
sample estimates:
mean of x mean of y
151.9601 150.5221
Atlántico comparado con los demás departamentos
data: atlant_lectura and antio_lectura

t = -45.072, df = 81780, p-value < 2.2e-16
-8.825127 -8.089582
sample estimates:
mean of x mean of y
147.5124 155.9698
data: atlant_lectura and cundi_lectura

t = -8.1573, df = 80307, p-value = 3.475e-16
-2.150858 -1.317500
sample estimates:
mean of x mean of y
147.5124 149.2466
data: atlant_lectura and valle_lectura

t = -14.891, df = 88329, p-value < 2.2e-16
-3.405802 -2.613541
sample estimates:
mean of x mean of y
147.5124 150.5221
Antioquia comparado con los demás departamentos
data: antio_lectura and cundi_lectura

t = 36.968, df = 81886, p-value < 2.2e-16
6.366721 7.079629
sample estimates:
mean of x mean of y
155.9698 149.2466
data: antio_lectura and valle_lectura

t = 32.141, df = 121107, p-value < 2.2e-16
5.115482 5.779883
sample estimates:
mean of x mean of y
155.9698 150.5221
Cundinamarca comparado con el valle
data: cundi_lectura and valle_lectura

t = -6.4825, df = 87693, p-value = 9.068e-11
-1.6611382 -0.8898476
sample estimates:
mean of x mean of y
149.2466 150.5221
Resolución para el punto dos que consta de: comprobar mediante

pruebas de hipótesis si los promedios de cada prueba son iguales o
diferente entre tipo de IES.
Código para sacar muestra de las universidades
Nota:
se calculo el tamaño de la muestra, pero se genero un error muy
grande al momento de generar graficas y al momento de hacer las
pruebas de hipótesis.
library(samplingbook)
universidades<-sp161718[,c(6,14,9)]
head(universidades)
library(samplingbook)
tamaño<-sample.size.prop(e=0.05, P = 0.5, N =
length(universidades$inst_nombre_institucion), level = 0.95)$n #
Vamos a usar P = 0.5
muestra2<-sample(1:length(universidades$inst_nombre_institucion),
size = tamaño, replace = FALSE)
mas.universidades<-universidades[muestra2,] # Tenemos la muestra2
head(mas.universidades)
ulb<-sp161718[sp161718$inst_nombre_institucion=="UNIVERSIDAD LIBRE-
BARRANQUILLA",]
> library(samplingbook)
> sample.size.prop(e=0.005, P = 0.4, N = nrow(ulb), level = 0.95)
sample.size.prop object: Sample size for proportion estimate
With finite population correction: N=2517, precision e=0.005 and
expected proportion P=0.4
Sample size needed: 2357
> muestra2<-sample(1:nrow(ulb), size = 381, replace = FALSE)
> m.ulb<-ulb[muestra1,]
> uam<-sp161718[sp161718$inst_nombre_institucion=="UNIVERSIDAD DE
ANTIOQUIA-MEDELLIN",]
>
> sample.size.prop(e=0.05, P = 0.5, N = nrow(uam), level = 0.95)

> muestra2<-sample(1:nrow(uam), size = 374, replace = FALSE)

> m.uam<-uam[muestra1,]
>
> uncm<-sp161718[sp161718$inst_nombre_institucion=="UNIVERSIDAD
NACIONAL DE COLOMBIA-MANIZALES",]
>
> sample.size.prop(e=0.05, P = 0.5, N = nrow(uncm), level = 0.95)

> muestra2<-sample(1:nrow(uncm), size = 324, replace = FALSE)

> m.uncm<-uncm[muestra2,]
> usc<-sp161718[sp161718$inst_nombre_institucion=="UNIVERSIDAD DE
LA SABANA-CHIA",]
>sample.size.prop(e=0.05, P = 0.5, N = nrow(usc), level = 0.95)

> muestra2<-sample(1:nrow(usc), size = 324, replace = FALSE)
Pruebas de hipótesis entre las universidades resultantes del

muestreo
data: m.ulb$lect_crit_punt and m.uam$lect_crit_punt

t = -11.256, df = 749.82, p-value < 2.2e-16
-27.39034 -19.25520
sample estimates:
mean of x mean of y
150.1024 173.4251
data: m.ulb$raz_cuant_punt and m.uam$raz_cuant_punt

t = -9.679, df = 744.86, p-value < 2.2e-16
-24.8926 -16.4976
sample estimates:
mean of x mean of y
147.2808 167.9759
data: m.ulb$ingles_punt and m.usc$ingles_punt

t = -24.484, df = 693.15, p-value < 2.2e-16
-49.55360 -42.19618
sample estimates:
mean of x mean of y
150.2362 196.1111
data: m.ulb$raz_cuant_punt and m.usc$raz_cuant_punt

t = -10.608, df = 701.89, p-value < 2.2e-16
-25.05483 -17.22917
sample estimates:
mean of x mean of y
147.2808 168.4228
data: m.ulb$lect_crit_punt and m.usc$lect_crit_punt

t = -11.712, df = 702.99, p-value < 2.2e-16
-28.30388 -20.17658
sample estimates:
mean of x mean of y
150.1024 174.3426
data: m.uncm$lect_crit_punt and m.usc$lect_crit_punt

t = -2.0058, df = 645.32, p-value = 0.0453
-8.02596260 -0.08514851
sample estimates:
mean of x mean of y
170.2870 174.3426

data: m.uncm$comu_escr_des and m.usc$comu_escr_des
t = -5.1121, df = 615.64, p-value = 4.26e-07
-0.4835396 -0.2151385
sample estimates:
mean of x mean of y
2.739550 3.088889
data: m.uncm$comp_ciud_des and m.usc$comp_ciud_des

t = -1.9388, df = 637.01, p-value = 0.05296
-0.2360717 0.0015038
sample estimates:
mean of x mean of y
2.592593 2.709877
data: m.uam$raz_cuant_des and m.usc$raz_cuant_des

t = -0.33657, df = 695.42, p-value = 0.7365
-0.12575798 0.08895201
sample estimates:
mean of x mean of y
2.719251 2.737654
Análisis de tablas resultantes del muestreo de departamentos
estu_depto_reside lect_crit_punt comp_ciud_punt ingles_punt
1 ATLANTICO 130 167 160
2 CUNDINAMARCA 132 77 125
3 CALDAS 157 150 104
8 ANTIOQUIA 111 144 139
13 VALLE 185 152 112
20 ANTIOQUIA 188 187 142
22 ATLANTICO 166 128 108
25 VALLE 134 132 121
34 ANTIOQUIA 169 172 149
40 ATLANTICO 134 152 120
51 VALLE 187 194 156
54 ATLANTICO 124 107 147
55 ANTIOQUIA 170 149 171
57 ATLANTICO 160 131 122
59 ANTIOQUIA 147 142 140
66 ANTIOQUIA 171 190 195
71 ATLANTICO 163 200 194

75 VALLE 127 138 159
79 ANTIOQUIA 159 167 156
80 VALLE 140 107 137
86 CALDAS 140 168 116
94 VALLE 128 168 161
96 VALLE 138 145 130
97 ANTIOQUIA 164 156 187
101 VALLE 172 153 130
104 ANTIOQUIA 212 219 219
105 ATLANTICO 139 132 137
115 ANTIOQUIA 148 149 142
117 ATLANTICO 154 150 150
121 VALLE 78 119 116
131 ANTIOQUIA 161 172 196
134 ANTIOQUIA 117 160 205
137 ANTIOQUIA 180 189 121
143 ATLANTICO 145 155 131
146 ATLANTICO 133 91 116
148 VALLE 160 154 142
150 ANTIOQUIA 157 159 120

154 CALDAS 174 188 179
164 VALLE 184 178 119
166 VALLE 154 153 150
170 VALLE 121 162 126
175 VALLE 180 185 127
180 ANTIOQUIA 176 155 157
188 ANTIOQUIA 161 157 153
195 ANTIOQUIA 180 150 182
198 ANTIOQUIA 158 165 167
201 ANTIOQUIA 154 155 120
217 ANTIOQUIA 145 148 149
218 ANTIOQUIA 183 123 226
219 ANTIOQUIA 157 130 153
220 VALLE 173 179 135
222 ANTIOQUIA 144 163 129
224 ANTIOQUIA 123 147 123
226 ANTIOQUIA 162 174 127
231 VALLE 187 174 191
235 VALLE 142 141 122
242 ANTIOQUIA 111 127 133

266 ANTIOQUIA 155 129 133
267 ATLANTICO 134 144 120
272 CALDAS 119 158 163
277 VALLE 143 120 115
279 VALLE 128 121 142
282 ANTIOQUIA 138 104 176
286 ANTIOQUIA 208 211 213
293 ANTIOQUIA 175 158 155
296 ATLANTICO 100 113 149
301 ANTIOQUIA 175 194 179
312 ANTIOQUIA 143 108 125
317 VALLE 175 178 196
318 ANTIOQUIA 156 179 145
319 VALLE 180 177 164
320 ANTIOQUIA 161 147 170
322 VALLE 150 128 154
329 VALLE 159 152 149
331 CALDAS 162 141 128

332 CALDAS 161 182 182
336 VALLE 102 89 140
340 VALLE 101 79 113
345 CALDAS 103 128 128
346 ATLANTICO 87 105 117
349 VALLE 159 193 203
355 CALDAS 181 192 186
358 VALLE 154 140 140
360 CALDAS 164 162 113
361 CALDAS 187 183 118
369 CALDAS 152 158 117
370 ANTIOQUIA 181 183 189
377 VALLE 156 197 209
378 ATLANTICO 173 168 125
379 VALLE 155 136 135
383 ANTIOQUIA 128 151 119
384 ANTIOQUIA 129 106 174
387 ANTIOQUIA 157 155 116
388 VALLE 147 159 129

389 ANTIOQUIA 147 152 168
Showing 1 to 12 of 237,042 entries, 4 total columns
tamaño de las muestras
Muestreo de las universidades seleccionadas
inst_nombre_institucion inst_cod_institucion ingles_desem lect_crit_punt
54 UNIVERSIDAD LIBRE-BARRANQUILLA 1808 A2 124
97 UNIVERSIDAD DE ANTIOQUIA-MEDELLIN 1201 B1 164
146 UNIVERSIDAD LIBRE-BARRANQUILLA 1808 A1- 133
154 UNIVERSIDAD NACIONAL DE COLOMBIA-MANIZALES 1103 B1 174
168 UNIVERSIDAD DE LA SABANA-CHIA 1711 B2 193

268 UNIVERSIDAD DE LA SABANA-CHIA 1711 A2 164
360 UNIVERSIDAD NACIONAL DE COLOMBIA-MANIZALES 1103 A1- 164
389 UNIVERSIDAD DE ANTIOQUIA-MEDELLIN 1201 A2 147

724 UNIVERSIDAD NACIONAL DE COLOMBIA-MANIZALES 1103 A2 170
885 UNIVERSIDAD DE ANTIOQUIA-MEDELLIN 1201 A1- 150

1046 UNIVERSIDAD LIBRE-BARRANQUILLA 1808 B1 159


2524 UNIVERSIDAD DE LA SABANA-CHIA 1711 A2 149



Showing 1 to 12 of 21,704 entries, 4 total columns

Conclusiones
1. Este trabajo o proyecto nos mostro que la programar es una manera muy
rápida y sencilla si se tiene todos los conocimientos previos .
2. La sensibilidad del programa es fuerte. Concluimos que en Rstudio en
lenguaje de programación deber ser perfecto.
3. En el proyecto no se generaron los resultados esperados , por ende se

concluye que hubo fallas técnicas como también el RSTUDIO que maneja un
lenguaje un poco difícil .

Prueba de Hipotesis LLL

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Prueba de Hipotesis LLL

Hochgeladen von

Copyright:

Verfügbare Formate

Trabajo de pruebas de hipótesis

Daniel David Jiménez Barbosa

Carlos Alfonso Mantilla Duarte

Universidad Industrial de Santander

Marco de referencia ………………………………………………………………(2)

I. Propiedades petrofísicas de un determinado yacimiento petrolífero

En este proyecto (prueba de hipótesis) específicamente se buscarán las herramientas

Usando un software como (RSTUDIO, R -PROJECT- MATLAB) nos facilitamos un 100% de

I. ¿Por qué hacemos inferencia?

II. ¿Qué necesitamos para hacer inferencia?

III. ¿Cuándo hacer inferencia?

IV. ¿Cuál es la utilidad de hacer inferencia?

V. ¿Por qué hacemos muestreo?

Y hago énfasis en que:

i. Debemos verificar o constatar mediante pruebas de hipótesis si los promedios de

ii. En cada dato obtenido se va guardando y organizando en tablas

ii. Se espera tener el dato de la media y la varianza

Dentro de las pruebas de hipótesis tenemos:

a. Muestreo aleatorio simple

Es una medida de la variabilidad de las estimaciones de muestras repetidas en torno al valor

Cuando una población es más homogénea la varianza es menor. Generalmente es un valor

Ho: hipótesis nula

Partes de una hipótesis

1-La hipótesis nula “Ho”

Representa el reparto equitativo, el equilibrio, la equidad. Es el valor que tendrían los

Solucionario primer punto (comprobación mediante pruebas de hipótesis)

Caldas comparado con los demás departamentos

Welch Two Sample t-test

data: caldas_ingles and atlant_ingles

Welch Two Sample t-test

data: caldas_ingles and antio_ingles

Welch Two Sample t-test

data: caldas_ingles and cundi_ingles

Welch Two Sample t-test

data: caldas_ingles and valle_ingles

Welch Two Sample t-test

data: atlant_ingles and antio_ingles

Welch Two Sample t-test

data: atlant_ingles and cundi_ingles

Welch Two Sample t-test

data: atlant_ingles and valle_ingles

Antioquia comparado con los departamentos

data: antio_ingles and cundi_ingles

Welch Two Sample t-test

data: antio_ingles and valle_ingles

Welch Two Sample t-test

data: cundi_ingles and valle_ingles

Comparación entre departamentos vs lectura critica

Welch Two Sample t-test

data: caldas_lectura and atlant_lectura

Welch Two Sample t-test

data: caldas_lectura and antio_lectura

Welch Two Sample t-test

data: caldas_lectura and cundi_lectura

Welch Two Sample t-test

data: caldas_lectura and valle_lectura

Atlántico comparado con los demás departamentos

Welch Two Sample t-test

data: atlant_lectura and antio_lectura

Welch Two Sample t-test

data: atlant_lectura and cundi_lectura

Welch Two Sample t-test

data: atlant_lectura and valle_lectura