Sie sind auf Seite 1von 10

En estadstica muchos problemas exigen construir conjuntos (intervalos) que contengan el verdadero valor del parmetro en estudio con

una probabilidad dada generalmente alta. Si por ejemplo X representa los grados de grasa de una margarina se puede estar interesado en encontrar los lmites bajos y altos aceptables para este tipo de producto; pero no se puede asegurar con probabilidad de uno que el verdadero valor se encuentre entre estos dos lmites, lo mximo que se puede lograr es elegir un nmero que est muy prximo a uno (recuerde que alfa es el nivel de significacin o error tipo uno) tal que la probabilidad que el verdadero valor se encuentre entre estos dos lmites inferior y superior sea mayor o igual a esta probabilidad.

En la prctica se elige un alfa fijo generalmente pequeo 0.01 o 0.05. La probabilidad que un intervalo de confianza dado incluya o no el verdadero valor del parmetro, nunca se conoce con exactitud al menos que se conozca el parmetro, pero se sabe que se tendr xito en encontrar el valor verdadero del parmetro dentro de este tipo de intervalos por lo menos en el porcentajes de las veces establecida por la confiabilidad. Recordemos que para obtener un intervalo de confianza se procese como sigue: 1. Se determina el riesgo de error que se quiere asumir al afirmar que el parmetro (en este caso la media) se encuentra en el interior del intervalo. 2. El intervalo de confianza se obtiene separando a izquierda y derecha de la estimacin del parmetro (en este caso la media) un mltiplo de error estndar. El mltiplo est determinado por el valor del estadstico Z asociado al nivel de confianza escogido.

Hay que destacar aspectos importantes del teorema central de lmite.

Si el tamao de la muestra n es suficientemente grande, la distribucin muestral de las medias ser ms o menos normal. Esto se cumple ya sea que la poblacin est o no distribuida normalmente. Esto es, el teorema se verifica, ya sea que la poblacin est distribuida en forma normal, o bien sea sesgada o uniforme. Como principio de este teorema, la media de la poblacin, , y la media de todas las medias mustrales posibles, son iguales. Si la poblacin es grande y se selecciona un nmero grande de muestras de la poblacin, la media de las medias mustrales se aproximar a la media poblacional. La varianza de la distribucin de medias mustrales se determina como la relacin entre la varianza de la poblacin y raiz del tamao de las muestras posibles de esa poblacin

No existe acuerdo general sobre lo que constituye un tamao de muestra suficientemente grande. Algunos estadsticos consideran que es 30; otros piensan que un nmero pequeo como 12 es adecuado. Sin embargo, a menos que la poblacin sea aproximadamente normal, los tamaos de muestra extremadamente pequeos, por lo general no dan como resultado una distribucin muestral que se distribuya normalmente. A medida que el tamao de la muestra se vuelve cada vez ms grande, la distribucin de la media muestral se aproxima ms a la distribucin normal con forma de campana.

Supn que tomas una muestra y calculas 100 como la media muestral. Luego calculas el lmite superior de un intervalo de confianza de 90% para la media de la poblacin y da 112. Cul es lmite inferior de ese intervalo:

92 100 88 No puede determinarse con esa informacin

Cuando el promedio de un estimador muestral es igual al parmetro poblacional de la media que se desea estimar. Se le llama: Estimador suficiente Estimador consistente Estimador eficiente Estimador Insesgado

Si se quiere hacer la estimacin de un intervalo para una Media poblacional y el tamao de muestra es de 20: La distribucin apropiada es: Binomial T-Student Normal: Chi-Cuadrado

Tipos de muestreo
El M A S es la forma ms sencilla de muestreo probabilstico y es la base de tcnicas ms complejas. La muestra se puede tomar de una poblacin finita o infinita, la cantidad de muestras posibles depende del tipo de diseo y la forma de tomar las muestras. Este tipo de muestreo se utiliza cuando se considera que la poblacin es ms o menos homognea. Como ya sabemos el muestreo puede ser con y sin reemplazamiento. El muestreo sistemtico es utilizado por algunos contadores para revisar sumas, cuentas, inventarios, etc., por ser un mtodo directo y econmico. Consiste en seleccionar uno a uno, los elementos de la muestra en un orden determinado, dando un inicio aleatorio.

Uno de los diseos prcticamente ms tiles, llamado muestreo aleatorio estratificado , primero divide la poblacin en segmentos homogneos y despus toma muestras aleatorias simples de esas subpoblaciones individuales. Es un tipo de muestreo aleatorio en el que los elementos de la poblacin se dividen en forma natural en subgrupos, de tal forma que dentro de ellos sean lo ms heterogneo posible y entre ellos sean homogneos, lo contrario al muestreo sistemtico. En general, en el muestreo por conglomerado se obtienen los resultados ms exactos, cuando cada conglomerado tenga la mezcla variada posible, al tiempo que los conglomerados se asemejen lo ms posible entre s.

El mtodo de muestreo que requiere dividir la poblacin en grupos homogneo para seleccionar los elementos que conformarn la muestra. Se le llama: Muestreo simple al Azar Muestreo Por Conglomerados Muestreo Estratificado Muestreo Por cuotas

El criterio mediante el cual se puede aproximar a la distribucin normal los valores posibles de un estadstico muestral, como la media de todas las muestras posibles de tamao n grandes, es un principio de: El muestreo aleatorio simple El muestreo estratificado El teorema central del lmite La estimacin de parmetros

En la distribucin muestral de medias, la desviacin estndar de las medias mustrales es igual a la desviacin estndar de la poblacin dividida por la raz cuadrada del tamao de la muestra, en una de las siguientes situaciones: El muestreo se hace en una poblacin finita sin reemplazamiento El muestreo se hace en una poblacin infinita El muestreo se hace en una poblacin infinita y El muestreo se hace en una poblacin finita con reemplazamiento

El muestreo se hace en una poblacin finita con reemplazamiento

Pruebas de hiptesis
En casos relacionados con situaciones especiales en las cuales se desea comprobar la efectividad de estndares preestablecidos, la tcnica de prueba de hiptesis resultaba bastante apropiada, por cuanto permite comprobar con bastante certeza el grado de acierto en la fijacin de stos.

Una hiptesis estadstica se define como un supuesto hecho sobre algn parmetro de la poblacin. Por ejemplo, los siguientes enunciados podran ser tomados como hiptesis: El ingreso promedio de los trabajadores de la fbrica es de $X. El rendimiento promedio de los empleados de dos fbricas es diferente. El promedio de duracin de las bombillas es de 1.000 horas. El promedio de duracin de las llantas es de 100.000 kilmetros. La prueba de hiptesis consiste en aplicar tcnicas estadsticas que permitan aceptar o rechazar una hiptesis. Este procedimiento se conoce como contraste de hiptesis. Las pruebas de hiptesis utilizan un procedimiento de cinco pasos, los cuales se mencionan a continuacin: 1. Plantear las hiptesis nula y alternativa. 2. Determinar el nivel de significancia. 3. Estimar el valor estadstico de prueba. 4. Establecer la regla de decisin. 5. Tomar la decisin. En la prueba de investigacin, o de validez de una afirmacin, se conocen las siguientes clases de pruebas: Pruebas para grandes muestras. Pruebas para pequeas muestras. Pruebas de varianza.

En las pruebas de grandes muestras se realizan para los siguientes casos: Pruebas de medias y de proporciones. Pruebas de diferencias de medias y proporciones.

En las pruebas de pequeas muestras se realizan para los siguientes casos: Pruebas para medias y diferencias de medias.

En ambos casos se utilizan un estadstico de prueba que en el caso de muestras

grandes es el estadstico Z y en el caso de muestras pequeas es el de la T de student

Si queremos probar la diferencia entre dos medias de dos tratamientos tenemos la opcin de usar las pruebas z o t. En que nos basamos para decidir si usamos una o la otra? En el tamao de las muestras En la regin crtica o de rechazo En la distribucin muestral En el nivel de significacin

Cul de los siguientes pasos o etapas no constituye parte del procedimiento para la contrastacin de una hiptesis estadstica relacionada con algn parmetro o caracterstica de una poblacin: Determinar y seleccionar los elementos de la muestra Escoger el nivel de significacin Definir las hiptesis Verificar el grado de homogeneidad de la variable en estudio

Decisin sobre una hiptesis razonable


Dependiendo del planteamiento de la hiptesis alternativa (H 1) se distingue dos tipos de pruebas: Pruebas bilaterales. Pruebas unilaterales El procedimiento de prueba de hiptesis para pruebas bilaterales a cerca de la media de una poblacin, cuando se considera el caso de muestra mayor que 30 datos (grande) en que el teorema del lmite central permite suponer que la media de la distribucin muestral de medias se puede aproximar a una distribucin normal de probabilidad, y la desviacin estndar de la poblacin es conocida, sigue la

siguiente forma general: Estadstico de prueba para la media de la poblacin y desviacin estndar poblacional conocida es "Z" Regla de rechazo a un nivel de significancia determinado es : Zc >Zt

La regla de decisin para rechazar la hiptesis nula en una prueba de hiptesis es que la relacin entre el valor calculado del estadstico de prueba y el valor tabulado tomado de la distribucin de probabilidad muestral correspondiente sea: Valor calculado igual al cuadrado del valor tabulado Valor calculado mayor que el tabulado Valor calculado menor que el tabulado Valor calculado diferente del tabulado

Bases del anlisis de varianzas


El anlisis de la varianza (o Anova: Analysis of variance) es un mtodo para comparar tres o ms medias, que es necesario porque cuando se quiere comparar ms de dos medias es incorrecto utilizar repetidamente el contraste basado en la t de student por dos motivos: En primer lugar, y como se realizaran simultnea e independientemente varios contrastes de hiptesis, la probabilidad de encontrar alguno significativo por azar aumentara. Por otro lado, en cada comparacin la hiptesis nula es que las dos muestras provienen de la misma poblacin, por lo tanto, cuando se hayan realizado todas las comparaciones, la hiptesis nula es que todas las muestras provienen de la misma poblacin y, sin embargo, para cada comparacin, la estimacin de la varianza necesaria para el contraste es distinta, pues se ha hecho en base a muestras distintas. El mtodo que resuelve ambos problemas es el anova , aunque es algo ms que esto: es un mtodo que permite comparar varias medias en diversas situaciones de una variable independiente cualitativa, cuyos efectos se miden en otra variable cuantitativa de respuesta; muy ligado, por tanto, al diseo de experimentos y, de alguna manera, es la base del anlisis multivariante.

Estadstica No paramtrica
Se denominan pruebas no paramtricas aquellas que no presuponen una distribucin de probabilidad para los datos, por ello se conocen tambin como de distribucin libre (distribution free ). En la mayor parte de ellas los resultados estadsticos se derivan nicamente a partir de procedimientos de ordenacin y recuento, por lo que su base lgica es de fcil comprensin. Cuando trabajamos con muestras pequeas (n < 10) en las que se desconoce si es vlido suponer la normalidad de los datos, conviene utilizar pruebas no paramtricas, al menos para corroborar los resultados obtenidos a partir de la utilizacin de la teora basada en la normal.

La prueba de bondad de ajuste de chi- cuadrado, compara las frecuencias tericas esperadas con frecuencias obtenidas. Necesita un nmero suficiente de datos (al menos 30); tambin es necesario que las frecuencias esperadas sean mayores o iguales que 5. Vlido especialmente para variables cualitativas. En cuanto a las pruebas de kolmpogorov-smirnov. La nica premisa que se necesita es que las mediciones se encuentren al menos en una escala de intervalo. Se necesita que la medicin considerada sea bsicamente continua. Adems dicha prueba es aplicable cualquiera sea el tamao de la muestra

Cuando se quiere probar una hiptesis sobre el grado de ajuste de los valores posibles de una variable cualitativa a una distribucin de probabilidad. El modelo de prueba No paramtrico ms adecuado es: El de Kruskal Wallis El de Wilcoxon El de Chi- Cuadrado El de Kolmogorov-Smirnov En el anlisis de varianzas de un factor se relacionan con dos variables con el fin de medir el grado en que una de ellas (la independiente) incide en los valores posibles de la otra (la dependiente). De acuerdo a este criterio las dos variables pueden ser: La dependiente es cualitativa y la independiente es cuantitativa. Ambas cuantitativas La independiente es cualitativa y la dependiente cuantitativa Ambas cualitativas

La prueba de hiptesis sobre la diferencia de dos muestras relacionadas en la estadstica No parmetrica, es aplicada en forma adecuada a travs de la prueba. Mann Whitney Wilcoxon Kruskal Wallis Kolmogorov-Smirnov