Sie sind auf Seite 1von 16

UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.1. Muestras y muestreos:


- La muestra:
. Subconjunto de elementos de la población
. Necesidad práctica:
. Motivos económicos
. Imposibilidad (práctica/teórica) de estudiar TODA la población
. Inconveniencia práctica o ética (al destruir o afectar la muestra)
. Representativa de la población
- Estrategias de muestreo:
. Muestreo aleatorio (conocemos la p de la población en la muestra)
. Muestreo opinático (criterios subjetivos; experiencia del investigador)
. Muestreo piloto (previo a un estudio)
Ejemplo de muestra?

1
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.1. Muestras y muestreos:


- Tipos de muestreo aleatorio (representativo):
. Simple con reemplazamiento (o con N grande)
. Simple sin reemplazamiento
. Estratificado (en función de la estructura de la población)
. Por áreas (geográficas, por ejemplo)

Ejemplo de estratificación

2
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.2. Muestras, estadísticos y estimadores:


- Normalmente SIEMPRE se trabaja con muestras (estadísticos y estimadores):
. Estadístico: cualquier función que resume propiedades de la muestra
. Estimador: cuando un estadístico pretende inferir el valor de la población:
. μ (x)
. σ2 (s2)
- Estimación puntual (por intervalos)

∑xi
x=
n

∑(xi-x)2
s2 =
(n-1)

3
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica


2.3. Las muestras y la distribución muestral:
- La distribución de probabilidad del estadístico (estimador) cambia en la muestra
- El procedimiento de inferencia parámetrico (empírico):
- Se obtiene una muestra
- Se mide el estadístico
- Se imagina uno ∞ muestras idénticas sobre las que se calcula el estadístico
- Se obtiene la distribución muestral (ejemplo Excel)
Distribución Población
1.2

Muestra 1 = 2, 6, 9 (5,67) 1

0.8

Población 0.6

Muestra 2 = 1, 3, 6 (3,33) 0.4

1 0.2

Muestra 3 = 4, 5, 5 (4,67)
0

2 1 2 3 4 5 6 7 8 9 10

3 Muestra 4 = 7, 7, 8 (7,33) Distribución de Frecuencias


4 Muestra 5 = 1, 7, 9 (5,67)
5 Clase 1-2: 1
Muestra 6 = 1, 5, 5 (3,67) Clase 3-4: 2
6
Clase 5-6: 4
7 Muestra 7 = 6, 6, 8 (6,67) Case 7-8: 2
8 Muestra 8 = 1, 2, 3 (2,00)
Clase 9-10: 1
9 Distribución muestral
Muestra 9 = 8, 9, 10 (9,00)
10 4.5
4
3.5

Muestra 10 = 4, 5, 5 (4,67) 3
2.5
2
1.5
1

¡¡La distribución muestral ES normal!!


0.5
0 4
1 2 3 4 5
UNIVERSIDAD DE VIGO
Tema II. Las muestras y la teoría paramétrica

2.3. Las muestras y la distribución muestral:


- Obtención de la distribución muestral de la media:
. Procedimiento inferencial teórico N1 = 10 N2 = 100
. Tamaño de muestra (N)
. Media muestral (xs)
. Varianza muestral (s2s) 1 a
estr
u
Distribución de la Población M

σ2
μ

Fórmula General xs1 = μ xs2 = μ

S2 s2 s2
Varm = S2s1 = S2s2 = 5
N 10 100
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.3. Las muestras y la distribución muestral:


- El uso de tablas de referencia (distribución t):
- Obtención de IC
- Test de Hipótesis

± ×

6
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.3. Las muestras y la distribución muestral:


- Aplicación a muestras, la distribución t:
. Ejemplo de muestra (IC) ± ×

Ejemplo de Muestra (N = 8)
ALUMNOS DE UNA CLASE: 10,2 9,7 10 9,6 8,7 11 10,5 10,9

Estadística descriptiva: ∑(xi-x)2


Media de muestra (μ) = 10,07 s2 =
Varianza de muestra (σ2) = 0,571 (n-1)
Desviación típica de muestra (σ) = 0,755

OBTENCIÓN DE INTERVALO DE CONFIANZA

N NC CÁLCULO INT1 INT2

8 95% 10,07 ± 0,63 (2,36 x 0,755/√8) 9,4 10,7


8 99% 10,07 ± 0,93 (3,50 x 0,755/√8) 9,1 11,0

80 95% 10,07 ± 0,17 (1,99 x 0,755/√80) 9,9 10,2


80 99% 10,07 ± 0,22 (2,64 x 0,755/√80) 9,8 10,3

Este intervalo se refiere al de la media de nuestra muestra 7


UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.3. Las muestras y la distribución muestral:


- Aplicación a muestras, la distribución t:
. Ejemplo de muestra (Test de hipótesis)

Ejemplo de Muestra (N = 8)
ALUMNOS DE UNA CLASE: 10,2 9,7 10 9,6 8,7 11 10,5 10,9

Método General
Estadística descriptiva:
Media de muestra (μ) = 10,07
x – μ (H0)
Varianza de muestra (σ2) = 0,571
Desviación típica de muestra (σ) = 0,755
σ/√n

Nivel significación 5% (p una cola 0.025)

N = 8, si X = 10,5; H0 = pertenece a la población; H1 =no

(10,5 – 10,07)/(0,755/√8) = 1,61 : p en tabla t > 0.05; (>0,1 dos colas)

Según NS del 5% se acepta H0

8
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

Método General
2.4. Aplicación del test t en muestras:
- Diferencias entre dos muestras: x1 – x2 – (μ1- μ2; H0=0)
. Ejemplo en el Hospital t=
. Análisis descriptivo σ2p 1 1
. Test t (H0 y H1) √ n1 n2
- Con comparaciones múltiples se usa ANOVA

Porcentage de HDL en sangre

Muestra 1 (10 enfermos): 120, 107, 110, 116, 114, 111, 113, 117, 114, 112
Muestra 2 (10 sanos): 110, 111, 107, 108, 110, 105, 107, 106, 111, 111

Estadística descriptiva: Muestra 1 Muestra 2


Media (μ) 113,4 108,6
Varianza (σ2) 13,822 5,155
Desviación típica (σ) 3,72 2,27

(n1-1) σ21 + (n2-2) σ22 (9x13,822) + (9x5,155)


σ2ponderada = = = 9,488 (3,08)
n1 + n2 – 2 18

t = 3,484 Valor de probabilidad asociado a dicha t < 0.01


GL = n1 + n2 -2 = 18 Valor de t al límite del 5% = 2,109
9
por ello se puede rechazar la h0
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

Método General
2.5. Aplicación del test t en muestras:
- Diferencias entre dos muestras apareadas: D – δ (H0=0)
. Ejemplo en el Hospital t=
. Test t (H0 y H1) √(σ2p/nparejas)

Porcentage de HDL en sangre

Muestra 1 (10 enfermos): 120, 107, 110, 116, 114, 111, 113, 117, 114, 112
Muestra 2 (los mismos sanos): 110, 111, 107, 108, 110, 105, 107, 106, 111, 111
Diferencia: 10, -4, 3, 8, 4, 6, 6, 11, 3, 1

Estadística descriptiva: D
Media (μ) 4,8
Varianza (σ2) 19,73
Desviación típica (σ) 4,44

H0 = D no es distinto de 0; H1 = Si lo es

t = 3,42 Valor de probabilidad asociado a dicha t < 0.01


GL = n -1 = 9 Valor de t al límite del 5% = 2,26

por ello se puede rechazar la h0 10


UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.6. Estimación y test de hipótesis con otros estadísticos:


- Diferencias entre dos varianzas:
. La razón de varianzas (s21/s22)
. La distribución F:
. GL1 (numerador-1) y GL2 (denominador-1)
. Puede ser asimétrica o no
. Test de una cola

Casos de la distribución F:

F(1, ∞) = Distribución Normal

F(1, n2) = Distribución t

F(n1, ∞) = Distribución χ2

11
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.6. Estimación y test de hipótesis con otros estadísticos :


- Diferencias entre dos varianzas:
. Uso de la distribución F:
. Se elige NS
. Se busca valor F GL1 y GL2
. Se determina rechazo o no de H0
NS = 5%

Ejemplo: F = 3,45
GL1 = 3
GL2 = 17

Como 3,45 < 3,59

No significativo
Se acepta H0
12
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.6. Estimación y test de hipótesis con otros estadísticos :


- Diferencias entre dos varianzas:
. Ejemplo en el Hospital
. Conclusión

Porcentage de HDL en sangre

Muestra 1 (10 enfermos): 120, 107, 110, 116, 114, 111, 113, 117, 114, 112
Muestra 2 (10 sanos): 110, 111, 107, 108, 110, 105, 107, 106, 111, 111

Estadística descriptiva: Muestra 1 Muestra 2


Media (μ) 113,4 108,6
Varianza (σ2) 13,822 5,155
Desviación típica (σ) 3,72 2,27

H0 = no hay diferencias en varianzas


H1 = si las hay

F = Mayor/Menor = 2,68 F5%(9,9) = 3.18

Fprueba < Ftabla = se acepta H0


13
Muestra 1 y 2 con iguales varianzas
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.6. Estimación y test de hipótesis con otros estadísticos :


- Diferencias entre dos varianzas:
. La razón de varianzas (s21/s22)
. La distribución F:
. GL1 (numerador-1) y GL2 (denominador-1)
. Asimétrica
. Test de una cola

Casos de la distribución F:

F(1, ∞) = Distribución Normal

F(1, n2) = Distribución t

F(n1, ∞) = Distribución χ2

14
UNIVERSIDAD DE VIGO

Tema II. Las muestras y la teoría paramétrica

2.7. Otros tests de hipótesis:


- Evaluación de proporciones, frecuencias, etc:
. Métodos no paramétricos (análisis de frecuencias):
. Χ2 (conjunto de distribuciones; asimétricas; de una cola)
. Test G
- Métodos NO-Paramétricos de aleatorización/remuestreo empírico, etc.
df\upper tail area 0.99 0.95 0.90 0.10 0.05 0.01

1 0.00016 0.0039 0.016 2.706 3.841 6.635

2 0.020 0.103 0.211 4.605 5.991 9.210

3 0.115 0.352 0.584 6.251 7.815 11.34

4 0.297 0.711 1.064 7.779 9.488 13.28

5 0.554 1.145 1.610 9.236 11.07 15.09

10 2.558 3.940 4.865 15.99 18.31 23.21

15 5.229 7.261 8.547 22.31 25.00 30.58

20 8.260 10.85 12.44 28.41 31.41 37.57

25 11.52 14.61 16.47 34.38 37.65 44.31

df > 30: use z = sqrt(2chi2)-sqrt(2df-1)

15
UNIVERSIDAD DE VIGO

Referencias Bibliográficas

LIBROS:
Daniel, W.W. 1989. Bioestadística. Base para el análisis de las
ciencias de la salud. Limusa, México.

Sokal,R.R., Rohlf, F.J. 1995. Biometry. Freeman and co., New York

PÁGINAS WEB:

http://www.statsoft.com/textbook/sttable.html
(tablas en línea para ver probabilidades de la distribución t)

http://home.ubalt.edu/ntsbarsh/excel/excel.htm
(programación de cálculos estadísticos en EXCEL)

http://statpages.org/
(Página que permite análisis estadísticos interactivos)
16