Conferencia CEPI 2013-1 L3-1 v-0.3

Curso: Estadstica y Probabilidad para Ingenieros
Facultad de Ingenieras Fsico-Mecnicas Escuela de Ingenieras Elctrica, Electrnica y de Telecomunicaciones Centro de Innovacin y Desarrollo para la Investigacin en Ingeniera del Software
CONSTRUIMOS FUTURO
La Investigacin sustentada por Procesos
Lneas de Investigacin: Calidad, Ingeniera, Sistemas y Modelado Organizacional de Conocimiento Gnosis Avanzada en Ingeniera y Telemtica Aplicada
Escuela de Ingeniera Elctrica, Electrnica y de Telecomunicaciones
Tecnologa y Estndares en Ingeniera de Sistemas Software
Gnosis Unificada para la Ingeniera del Aprendizaje.
CONSTRUIMOS FUTURO
La Investigacin Sustentado por Procesos
3
Continuous Representation
MDULO 3: Inferencia estadstica

LECCIN 3.1. Planteamiento de Hiptesis CONFERENCIA 9: Hiptesis
Programa: Curso: Mdulo: Versin 1.0 Ingenieras Elctrica, Electrnica y de Telecomunicaciones Estadstica y Probabilidad para Ingenieros 3. Inferencia Estadstica Leccin: Descripcin Primera Versin del Contenido de Conocimiento 1. Planteamento de hiptesis Autor Daro Jos Delgado Conferencia: Hiptesis Instructor Ricardo Llamosa Villalba Daro Jos Delgado Ral Valdivieso
Fecha 05/08/13
Material aprobado para uso pblico. Distribucin limitada. Copyright CIDLISUIS 2013
CONSTRUIMOS FUTURO
La Investigacin Sustentado por Procesos Guion de la Leccin

1. 2. 3. 4.
Preparacin de la Leccin Primera Entrega de Caso / Proyecto. Test de Entrada. Caso y Proyecto de Investigacin Contenido de la Presentacin de la Conferencia
1. 2. 3. 4.
Hiptesis Estadstica Poblacin Tipos de muestreo Diseo de experimentos
5. 6. 7. 8. 9.
Segunda Entrega de Caso y Proyecto Test de Salida: Caso, Problema y proyecto. Planeacin y adaptacin del Caso y del Proyecto de siguiente leccin Evaluaciones Cierre
Revisiones Retrospectivas y trabajo futuro
Copyright CIDLIS UIS 2013
jueves, 12 de septiembre de 2013

1. Visin de Actividades de Leccin
1. 2. 3. 4. 5. 6. 7. 8. Preparacin de la leccin. Primera Entrega de Caso / Proyecto. Control de Asistencia para ingreso a clase Estudiantes a quienes se les tendr en cuenta el test de entrada. Hacer acta resultante de 3 . Y 4. Quiz de Entrada Justificacin del porqu, los discentes estn preparados para la leccin. Mentora / Instruccin / Consejera
8.1. Conferencia 8.2. Resolucin de Dudas 8.3 Seguimiento 8.4. Soporte al Caso / Proyecto
9. 10. 11. 12. 13. 14.
Segunda Entrega de Caso / Proyecto Quiz de Salida Lanzamiento de Caso Planeacin de siguiente leccin Evaluaciones Cierre de Leccin.
Revisiones Retrospectivas y trabajo futuro

2. Primera Entrega de Caso / Proyecto.
1. Estudiantes que hicieron la primera entrega del Anlisis de Caso / Proyecto 2. Registro de Incidentes.
1. Visin desde la pgina web. 2. Resolucin de dudas. 3. Sntesis de preguntas y respuestas.
3. Relatora de estudiantes que presentaron informes.

1. Acta de Resolucin de dudas y asistencia al estudiante. 2. Sntesis de apoyo al estudiante en la leccin. 3. Debilidades de la primera entrega.

3. Test de Entrada
1. Inicio del Test de Entrada 2. Desarrollo del test de Entrada. 3. Cierre del Test de Entrada.
1. 2. 3. 4. Dar por finalizado el test Hacer anlisis de resultados Hacer comparacin con resultados de primeras entregas de caso Recoger observaciones
La Investigacin Sustentado por Procesos 4. Presentacin.
La Investigacin Sustentado por Procesos 4. Presentacin.
10
Conductivo
ALCON
Activo Ldico Constructivo
Copyright CIDLIS UIS 2013 jueves, 12 de septiembre de 2013
11
Cadenas de Markov
Ricardo Llamosa 2011

jueves, 12 de Copyright septiembre CIDLIS UIS de 2013 jueves, 12 de septiembre de 2013 2013
12
INTRODUCCIN A LA INFERENCIA ESTADSTICA Un estudio estadstico plantea, extraer conclusiones sobre la naturaleza de una poblacin grande, que no puede estudiarse en su totalidad, y por lo tanto hay que analizar y valorar una parte de ella. Este hecho permite justificar y establecer diferentes tcnicas de muestreo.
jueves, 12 de Copyright CIDLIS UIS 2013 jueves, 12 de septiembre de 2013 septiembre de 2013
La Investigacin Sustentado por Procesos INTRODUCCIN A LA INFERENCIA ESTADSTICA Los trminos bsicos, son: estadstico y estimacin (especficamente, estimador). Estadstico: es una medicin cuantitativa, derivada de un conjunto de datos de una muestra, con el objetivo de estimar o inferir caractersticas de una poblacin o modelo estadstico. El estimador Es un estadstico (en funcin de la muestra) usado para estimar un parmetro desconocido de la poblacin.
13

INTRODUCCIN A LA INFERENCIA ESTADSTICA
14
Por otra parte, deducir leyes de probabilidad en determinadas caractersticas de una poblacin, si solo se conoce una muestra, es el principal problema a resolver, cuando se estudian relaciones especficas y se intenta extenderlas desde una muestra particular hacia el resto de individuos de la poblacin. Es decir, La tarea fundamental de la estadstica inferencial, es hacer deducciones de la poblacin, a partir de una muestra extrada de la misma !.

INTRODUCCIN A LA INFERENCIA ESTADSTICA: MODOS DE INFERENCIA
15
"En la filosofa occidental, es habitual, considerar dos modos bsicos de razonar:
La deduccin (inferencia desde causas a efectos) y La induccin (inferencia desde los efectos a las causas).
Pero adems, de estos modos de inferencia tradicionales, hay un primer modo -la abduccin-. La abduccin es la gnesis de hiptesis en el razonamiento cientfico, pues es el proceso de razonamiento mediante el cual, se crean nuevas ideas, hiptesis explicativas y teoras cientficas como primer paso en toda investigacin".

16
Considerando la investigacin un proceso:
sistemtico" que parte de la formulacin de una

hiptesis u objetivo de trabajo, para recolectar datos segn un plan preestablecido, para luego analizar e interpretar, modificar o aadir nuevos conocimientos". sistmico" para analizar el todo integral compuesto de partes, que contribuye a complementar la formulacin de hiptesis al evaluarse las interrelaciones causa-efecto, que analizadas y comprendidas, modifican o aaden nuevos conocimientos.
jueves, 12 de septiembre Copyright CIDLIS UIS 2013 jueves, 12 de septiembre de 2013 de 2013

CLASIFICACIN DE INFERENCIA SEGN DISTRIBUCIN O PARMETROS
17

INTRODUCCIN A LA INFERENCIA ESTADSTICA: HIPOTESIS
18

19

INTRODUCCIN A LA INFERENCIA ESTADSTICA: HIPOTESIS PARAMTRICA
20

21

INTRODUCCIN A LA INFERENCIA ESTADSTICA: PRUEBA NO PARAMTRICAS, Bondad de ajuste
Cuando se realizan investigaciones, con frecuencia es importante obtener informacin a travs de una muestra sobre la forma como se distribuyen los datos de una poblacin. Algunos estudios producen resultados sobre los que no podemos afirmar que se distribuyen Normalmente, es decir con forma acampanada concentrados sobre la media. En estos casos debemos emplear tcnicas no paramtricas que se utilizan ampliamente en las aplicaciones de las ciencias sociales, cuando no se puede asumir a priori que los datos de una muestra se ajusten a una distribucin normal.
Ahora nos ocuparemos del problema de verificar si de un conjunto de datos se puede afirmar que proviene de una determinada distribucin
22

La estadstica no paramtrica es una rama de la estadstica que estudia las pruebas y modelos estadsticos cuya distribucin subyacente no se ajusta a los llamados criterios paramtricos. Algunos experimentos producen respuestas que no son cuantificables, es decir generan mediciones que pueden ordenarse, pero la posicin de la respuesta en una escala de medicin es arbitraria. Por ejemplo, suponga que desea evaluar y comparar las habilidades de cinco profesores de educacin fsica, o las caractersticas de atencin de los alumnos de una clase Las pruebas no paramtricas no asumen ningn parmetro de distribucin de las variables muestrales.
23
Las pruebas paramtricas asumen los parmetros de la de la variable (media y varianza) y un tipo de
distribucin normal
Las pruebas no paramtricas no asumen ningn parmetro de distribucin de las variables muestrales.
INTRODUCCIN A LA INFERENCIA ESTADSTICA: PRUEBA NO PARAMTRICAS
Prueba de la Bondad del Ajuste

Para resolver este problema utilizaremos unas pruebas estadsticas que reciben el nombre general de "Pruebas de Bondad de Ajuste" y especficamente estudiaremos la prueba Chi - Cuadrado (ji dos) aunque existen otras pruebas :
binomial, de Anderson-Darling, de Fisher, etc.
Estas no sern objeto de estudio por ahora. El clculo de estas pruebas, es sencillo, desde el punto de vista manual y matemtico, sin embargo y siguiendo con nuestra prctica, facilita el trabajo hacerlo con la hoja de calculo de Excel pues lo importante es descargarnos la tarea de clculo matemtico y dedicarnos a la interpretacin de resultados y toma de decisiones.
PRUEBA DE FISHER Es la prueba estadstica de eleccin cuando la prueba de chi.cuadrado no puede ser empleada por tamao muestral insuficiente.
24
Prueba de Chi-cuadrado (X2)
La prueba de Chi- Cuadrado es considerada como una prueba no paramtrica que mide la discrepancia (bondad de ajuste) entre una distribucin observada a partir de la muestra y otra terica que se supone debe seguir esa muestra, indicando en qu medida las diferencias existentes entre ambas, de haberlas, se deben al azar en el contraste de hiptesis. Esta prueba se basa en la hiptesis nula (H0) de que no hay diferencias significativas entre la distribucin muestral y la terica. Mientras que la hiptesis alternativa (H1) siempre se enuncia como que los datos no siguen la distribucin supuesta.
H0 : La distribucin de la probabilidad es Normal H1 : La distribucin de la probabilidad NO es Normal
H0 : f( x, ) = F0 (x, ) H1 : f( x, ) F0 (x, )
25

Naturaleza de la prueba de Chi-cuadrado
La estructura bsica de la prueba para la bondad del ajuste se muestra en la siguiente tabla
Clases Frecuencias observadas (foi) Frecuencias esperadas en base a H0 (fei) (foi fei) 2 ___________ fei
1 2
fo1 fo2
fe1 fe2
(fo1 fe1) 2 / fe1
(fo2 fe2) 2 / fe2
3
:
fo3
:
fe3
:
(fo3 fe3) 2 / fe3

:
K Total
fok n
fek n
(fok fek) 2 / fek X2 = (foi fei) 2 / fei
26

El estadstico de prueba est definido como la sumatoria de los residuos expresados en trminos de las frecuencias esperadas para cada una de La prueba se basa en qu tan las clases: buen ajuste se tiene entre la X2 = i=1 hasta K (foi - fei)2 / fei donde: frecuencia de ocurrencia de las observaciones en una foi = Total de valores que caen en el intervalo i. muestra observada y las fei = Nmero esperado de valores en el intervalo i. frecuencias esperadas que se obtienen a partir de la k = Nmero de intervalos de clase en que se distribuyen las distribucin hipottica. observaciones. Formulacin de Hiptesis: H0: f(x,q) = fo (x, q) H1: f(x,q) fo (x,q)
Donde fo (x, q) es la distribucin que se supone sigue la muestra aleatoria. La hiptesis alternativa siempre se enuncia como que los datos no siguen la distribucin supuesta. Aceptar H0 si no existe diferencia significativa entre la distribucin de la frecuencia observada en la muestra y la distribucin terica de la poblacin.
27

Estadstico de Prueba
Interpretacin: cuanto mayor sea el valor de X2, menos verosmil es que la hiptesis H0 sea correcta. De la misma forma, cuanto ms se aproxima a cero el valor de Chi-cuadrado, ms ajustadas estn ambas distribuciones. Si X2 =0 La frecuencia terica y observada concuerdan exactamente. Si X2 >0 Mientras mayor es la diferencia mayor es la discrepancia. Debemos comparar el valor calculado, con el observado para determinar si dicha variacin es aleatoria. En la prctica :Si Ho. = 0 no existe diferencia significativa entre la distribucin de la frecuencia Observada y la distribucin Terica especficamente con los mismos parmetros.
28
INTRODUCCIN A LA INFERENCIA ESTADSTICA: PRUEBA NO PARAMTRICAS, Bondad de ajuste: consideraciones

Muestra La muestra es aleatoria simple de una poblacin El tamao de la muestra es razonablemente grande (n 20) Para esta prueba es necesario agrupar o distribuir las observaciones de la muestra en intervalos de clase, preferiblemente del mismo tamao. Naturaleza de los datos a analizar Se hacen conteos con nmeros reales Por ejemplo, si tratamos de investigar la distribucin que siguen los errores de ortografa cometidos por los alumnos en un dictado, podramos pensar en una distribucin de Poisson, as que en principio no consideraramos una distribucin normal.
Para formular la hiptesis nula debern tenerse en cuenta los siguientes aspectos
La prueba se basa en la comparacin de las frecuencias observadas

Por lo tanto la forma que tome el histograma de frecuencia es quizs la mejor indicacin del tipo de distribucin a considerar. Es decir, se quiere determinar si las frecuencias observadas en la muestra estn lo suficientemente cerca de las frecuencias esperadas bajo la hiptesis nula.
Ordenar las observaciones

El nmero de intervalos de clase debe ser por lo menos cinco. El nmero esperado de observaciones en cada intervalo debe ser mayor o igual a cinco; en caso contrario, deberan agruparse varios intervalos para lograr esto.
INTRODUCCIN A LA INFERENCIA ESTADSTICA: PRUEBA NO PARAMTRICAS, Bondad de ajuste Se realizo una encuesta en la universidad y se les pregunto a los estudiantes si estaran o no de acuerdo en sustituir por completo la modalidad presencial por la modalidad de estudio a distancia y se obtuvieron los siguientes datos:
Hombres (Real) 58 11 10 Mujeres (Real) Descripcin 35 Estn de acuerdo 25 Neutrales 23 No estn de acuerdo Descripcin 47,65 Estn de acuerdo 18,44 Neutrales 16,91 No estn de acuerdo
PRUEBA.CHI se calcula con Excel: devuelve el valor de la distribucin chi cuadrado (2) para la estadstica y los grados de libertad apropiados. Se desea comprobar si la probabilidad de que las tendencias de la muestra sean iguales a las tendencias esperadas en la poblacin H0: H1:
Hombres (Esperado) 45,35 17,56 16,09
Mujeres (Esperado)
fo fe= 0 fo fe 0
PRUEBA.CHI
0,000308 Se aproxima a 0
Acepto H0, los datos de la muestra se comportan muy parecido a los esperados

QU ES Y PARA QU SIRVE UN ESTUDIO ESTADSTICO?
31
"El mtodo cientfico parte de la observacin de una realidad, elaborada con hiptesis explicativas, que deben contrastarse o probarse, y si dicha hiptesis se acepta, inducir una formalizacin, con principios, leyes y proposiciones, para conformar una teora cientfica".
El modelo general del planteamiento de un estudio, sigue la siguiente secuencia:
1. 2. 3. 4. 5. 6. 7. Hiptesis de trabajo Objetivos Diseo de estudio Seleccin de variables Definicin de variables Escala de medida Protocolo de recogida de datos 8. Seleccin de la muestra (Cuntos? Quines?) 9. Recogida de datos 10.Automatizacin de los datos 11.Depuracin de los datos 12.Anlisis 13.Resultados 14.Conclusiones

Objetivos de un Estudio
32
Definir objetivos es fundamental al estructurar un estudio. Deben estar claramente definidos para tomar decisiones sobre: el tipo de estudio ms apropiado, la seleccin de la muestra, el tamao muestral, las variables a medir y el anlisis estadstico a realizar. Investigar se fundamenta en la incertidumbre de algn hecho o fenmeno que el investigador desea resolver, realizando mediciones en los objetos del estudio". En el establecimiento de objetivos, es esencial, la revisin bibliogrfica, como:
Fuente de ideas susceptibles de investigacin. Valoracin de los conocimientos actuales sobre el tema. Valoracin sobre la pertinencia y viabilidad del proyecto. Provisin del marco conceptual para la investigacin. Ayuda en la delimitacin del objetivo especfico. Informacin de aspectos concretos de: Diseo Estrategias Procedimientos Pautas de seguimiento Criterios de seleccin Determinacin del tamao de la muestra Definicin de variables Instrumentos de medicin Prevencin de problemas Anlisis estadstico
Es necesaria la Comparacin de los propios resultados con estudios similares y la Contribucin a la valoracin de la validez extrema. jueves, 12 de Copyright septiembre CIDLIS UIS de 2013 jueves, 12 de septiembre de 2013 2013

La pregunta de investigacin
debe caracterizarse como:
33
FACTIBLE
NOVEDOSA
Nmero adecuado de individuos Experiencia tcnica adecuada Abordable en cuanto a tiempo y dinero Manejable en cuanto al alcance
Confirma o refuta hallazgos previos Amplia hallazgos previos Proporciona nuevos resultados
TICA Y RELEVANTE
INTERESANTE PARA EL INVESTIGADOR.
Conocimiento cientfico Polticas Lneas de investigacin futuras factibles, interesantes, novedosas, ticas y relevantes
La no claridad en la pregunta limita calcular el tamao muestral del estudio, dado, que se necesita precisar y conocer: seguridad de estimacin, precisin de inferencia, poder estadstico o capacidad de detectar diferencias.

ESTUDIO EXPERIMENTAL O NO EXPERIMENTAL?
Si los pasos enunciados son correctos, se decide por el tipo de estudio a realizar;
34
Amenazas o riesgos en los estudios:

Al decidir el tipo de estudio, hay que considerar sus amenazas o riesgos implcitos; los sesgos del estudio; Sesgo de seleccin, los grupos no son comparables por su forma de escogencia (eleccin inadecuada en grupos de control o espacios muestrales, prdidas de seguimiento y supervivencia selectiva). Sesgo de informacin, tampoco, los grupos son comparables debido al como se obtienen los datos (instrumento de medida inadecuado, diagnstico incorrecto, omisiones, imprecisiones, vigilancia desigual en expuestos y no expuestos, errores de clasificacin, errores en los cuestionarios o procedimientos). Sesgo de confusin, hay mezcla de efectos debido a una tercera o ms variables, esta variable est asociada con la exposicin a estudio, e independientemente de la exposicin, es un factor de riesgo adicional.
Experimental como ensayos clnicos, de

campo o comunitarios, para la exposicin a grupos de objetos de estudio comparables con otros grupos en el que no se intervine o al que se expone a otra intervencin.
No experimental, simulaciones, tal que,

cuando un experimento que no se han podido realizar, se haga; estudios ecolgicos, de prevalencia, de casos y controles, de cohortes o de seguimiento.
Cuando hay minas por todas partes, uno, no debe aventurarse, sin un detector de minas (M. Susser).

Amenazas o Riesgos en los Estudios
La confusin, que se genera, puede controlarse en el diseo y anlisis del estudio, para hacerlo vlido. La presencia de sesgos de seleccin e informacin podran cuantificarse, pero invalidaran el estudio. En sntesis, realizar un estudio es una carrera de obstculos, que an, no siendo infranqueables, permanentemente estn presentes y lo dificultan, pero que a la vez, lo hacen atractivo, en cualquier trabajo de investigacin.
35
El conocimiento de la metodologa y su aplicacin debe reconocerse como un elemento til, necesario y atractivo, para responder preguntas y discriminar lo seguro y correcto de lo que no lo es tanto.

UNIDADES
A partir de los conceptos de la teora muestral; se ha mencionado que las poblaciones estn formadas por individuos, denominados unidades de muestreo o unidades de estudio: Personas, clulas, familias, hospitales, pases
36
La poblacin ideal que se pretende estudiar se denomina poblacin objetivo.

No es fcil estudiarla por completo. Aproximamos mediante muestras que den idealmente la misma probabilidad a cada individuo de ser elegido. Tampoco es fcil elegir muestras de la poblacin objetivo: Si llamamos por telfono excluimos a los que no tienen. Si elegimos individuo en la calle, olvidamos los que estn trabajando...
El grupo que en realidad podemos estudiar (los que tienen telfono) se denomina poblacin de estudio.

Fuentes de sesgo
Las poblaciones objetivo y de estudio pueden diferir en cuanto a las variables que estudiamos.
El nivel econmico de la poblacin de estudio es mayor que la objetivo,... Los individuos que se eligen en la calle pueden ser mayores de edad (jubilados)
37
En este caso, las muestras que seleccionadas son sesgadas. El tipo de sesgo debido a diferencias sistemticas entre poblacin objetivo y poblacin de estudio se denomina sesgo de seleccin.
Hay otras fuentes de error/sesgo:
No respuesta a encuestas embarazosas

Consumo de drogas, violencia domstica, prcticas poco ticas,
Mentir en las preguntas delicadas.

Para evitar este tipo de sesgo se utilizan la tcnica de respuesta aleatoria.

Tcnicas de respuesta aleatoria
Reducen la motivacin para mentir (o no responder) a las encuestas.
Si digo la verdad, se me ver el cobre?
38
Cmo se hace?
Ejemplo: Solicitar que lance una moneda antes de responder y
Si sale cara que diga la opcin compremetida (no tiene por qu avergonzarse, la culpa es de la moneda) Si sale cruz que diga la verdad (no tiene por qu avergonzarse, el encuestador no sabe si ha salido cara o cruz) Aunque no se sabe cul es la verdad en cada individuo, se puede hacer una idea porcentual sobre la poblacin, viendo en cunto se alejan las respuestas del 50%.

Ejemplo: Ha fumado alguna vez?
39
No sinceros!! Sin respuesta aleatoria 100% No
Con respuesta aleatoria 40% No 60% S
Diferencia entre los que han dicho s y los que deban hacerlo por que as lo indicaba la moneda
No son mitad y mitad! Porcentaje estimado de ndice de consumo de drogas es: Los que deben decir la verdad jueves, 12 de septiembre de 2013
0,6 0,5 p 0,2 20 % 1 0,5

*

GUA DE DISEO MUESTRAL
INSUMOS
DISEO MUESTRAL
40
PRODUCTOS
Objetivos del estudio Conocimiento de la poblacin Recursos disponibles
DISEO MUESTRAL
Mtodo de muestreo a utilizar. Tamao de la muestra de la poblacin a estudiar.

MUESTREO ESTADSTICO
Muestreo Aleatorio simple
Muestreo Sistemtico
Muestreo Estratificado
Muestreo de Conglomerados
Tamao de Muestra
Tamao de Muestra
Tamao de Muestra
Tamao de Muestra
Aplicaciones
Aplicaciones
Aplicaciones
Aplicaciones

Clasificacin de la tcnicas de muestreo
TCNICAS DE MUESTREO
41
Tcnicas de muestreo no probabilstico
Tcnicas de muestreo probabilstico
Muestreo por conveniencia
Muestreo por juicio
Muestreo de bola de nieve
Muestreo por cuota
Muestreo aleatorio simple
Muestreo sistemtico
Muestreo estratificado
Muestreo de grupo
Otras tcnicas de muestreo

Cuando se eligen iindividuos de una poblacin de estudio para formar muestras se dan las siguientes situaciones: MUESTREOS PROBABILISTAS Se conoce la probabilidad de que un individuo sea elegido para la muestra. Interesantes para usar estadstica matemtica con ellos.
42
MUESTREOS NO PROBABILISTAS No se conoce la probabilidad. Son muestreos que seguramente esconden sesgos. En principio no se pueden extrapolar los resultados a la poblacin.
A pesar de ello una buena parte de los estudios que se publican usan esta tcnica. Puff!
En adelante se trata exclusivamente muestreos con la menor posibilidad de sesgo (probabilistas): aleatorio simple, sistemtico, estratificado y por grupos.

Muestreo aleatorio simple (MAS) MUESTREO ALEATORIO: Considerando una poblacin finita, de la que se desea
extraer una muestra, el proceso de extraccin es tal, que hay que garantizar que cada uno de los elementos de la poblacin, tengan la misma oportunidad de ser incluidos en dicha muestra, este proceso se denomina seleccin muestral aleatoria y puede plantearse bajo dos puntos de vista: Sin y Con reposicin de los elementos
43
Interviene Orden Sin Reposicin
No interviene el orden

Muestreo aleatorio simple (MAS)
44
Interviene Orden Con Reposicin No interviene el orden
El muestreo aleatorio con reposicin es tambin denominado muestreo aleatorio simple, se caracteriza por que cada elemento de la poblacin tiene la misma probabilidad de ser elegido, y las observaciones se realizan con reemplazo. De este modo, cada observacin se realiza sobre la misma poblacin (no disminuye en las extracciones sucesivas).

Muestreo aleatorio simple (MAS)
45
Sntesis,
Se eligen individuos de la poblacin de estudio, de manera que todos tienen la misma probabilidad de aparecer, hasta alcanzar el tamao muestral deseado. Se puede realizar partiendo de listas de individuos de la poblacin, y eligiendo individuos aleatoriamente con un computador. Normalmente tiene un coste bastante alto su aplicacin. En general, las tcnicas de inferencia estadstica suponen que la muestra ha sido elegida usando MAS, aunque en realidad se use alguna de las que veremos a continuacin.

Muestreo sistemtico
Se tiene una lista de los individuos de la poblacin de estudio. Si se desea una muestra de un tamao dado, elegimos individuos igualmente espaciados de la lista, donde el primero ha sido elegido al azar. CUIDADO: Si en la lista existen periodicidades, obtendremos una muestra sesgada. Cuando los elementos de la poblacin estn ordenados en fichas o en una lista, una manera de muestrear consiste en: Elegir aleatoriamente un nmero m, entre 1 y k; Tomar como muestra los elementos de la lista: Esto es muestreo sistemtico. Si el criterio de ordenacin de los elementos en la lista, es tal, que los elementos ms parecidos tienden a estar ms cercanos, el muestreo sistemtico suele ser ms preciso que el aleatorio simple, porque recorre la poblacin de un modo ms uniforme. Por otro lado, es a menudo ms fcil, no cometer errores con un muestreo sistemtico que con un muestreo aleatorio simple. El mtodo tal como se ha definido anteriormente es sesgado? Por qu? Un caso real: Se eligi una de cada cinco casas para un estudio de salud pblica en una ciudad donde las casas se distribuyen en manzanas de cinco casas. Salieron con mucha frecuencia las de las esquinas, que reciben ms sol, estn mejor ventiladas,
46
EJEMPLO

Muestreo estratificado
Aplica cuando se saben ciertos factores (variables, sub-poblaciones o estratos) que pueden influir en el estudio y hay que asegurar cierta cantidad mnima de individuos de cada tipo: -Hombres y mujeres, - Jvenes, adultos y ancianos Se realiza un MAS de los individuos de cada uno de los estratos. Al extrapolar los resultados a la poblacin hay que tener en cuenta el tamao relativo del estrato con respecto al total de la poblacin. Un muestreo aleatorio estratificado es aquel, en el que se divide la poblacin de N individuos, en k sub-poblaciones o estratos, atendiendo criterios importantes en el estudio de tamaos respectivos N(1), ..., N(k), realizando en cada una de estas sub-poblaciones muestreos aleatorios simples de tamao n(i). Hay 2 tcnicas: asignacin
47
proporcional y asignacin optima.

Al hacer un estudio de uso de barras de labios en 10 estudiantes y al hacer el muestreo aleatorio simple se reflexiona en el comportamiento de 2 estratos: masculinos (60%) y femeninos (40%) con sus respectivos tamaos (6 varones y 4 mujeres). Esto es asignacin proporcional Con seguridad la precisin del carcter que se estudia, ser muy alta en el grupo de los varones aunque en la muestra haya muy pocos (pequea varianza), mientras que en el grupo de las mujeres habr mayor dispersin. Cuando las varianzas poblacionales son pequeas, con pocos elementos de una muestra se obtiene una informacin ms precisa del total de la poblacin que cuando la varianza es grande. Por tanto, si slo se toma 10 alumnos, es ms conveniente dividir la muestra en dos estratos, y tomar mediante muestreo aleatorio simple, cierto nmero de individuos de cada estrato, eligiendo ms individuos en los grupos de mayor variabilidad. As, probablemente, un mejor resultado es 1 varn y 9 hembras. Esto, se denomina, asignacin ptima.
EJEMPLO
Muestreo por grupos o conglomerados
48
Se aplica cuando es difcil tener una lista de todos los individuos que forman parte de la poblacin de estudio, pero sin embargo sabemos que se encuentran agrupados naturalmente en grupos. Si se intenta hacer un estudio sobre los habitantes de una ciudad, el muestreo aleatorio simple puede resultar muy costoso, porque estudiar una muestra de tamao n implica enviar a los encuestadores a n puntos distintos de la citada ciudad, de modo que en cada uno de ellos slo se realiza una entrevista. En esta situacin se puede realizar ms econmica, con el denominado muestreo por conglomerados, que consiste en elegir aleatoriamente ciertos barrios dentro de la ciudad, para despus elegir calles y edificios. Una vez elegido el edificio, se entrevista a todos los vecinos Se realiza eligiendo varios de esos grupos al azar, y ya elegidos algunos podemos estudiar a todos los individuos de los grupos seleccionados o bien seguir aplicando dentro de ellos ms muestreos por grupos, por estratos, por aleatorios simples, Para conocer la opinin de los ingenieros elctricos, podemos elegir a varias regiones colombianas, en varios provincias, y dentro de ellas varios pueblos, Al igual que en el muestreo estratificado, al extrapolar los resultados a la poblacin hay que tener en cuenta el tamao relativo de unos grupos con respecto a otros. Regiones con diferente poblacin pueden tener probabilidades diferentes de ser elegidas, provincias, electrificadoras grandes frente a pequeos,
EJEMPLO
DIFERENCIA

Estimacin de tamao de muestra
Definir Poblacin especificacin de poblacin meta, para no obtener casos engaosos. Comprende la traduccin de la definicin del problema a una afirmacin exacta sobre quin debe incluirse en la muestra y quin no, y debe definirse en trminos de los elementos, unidades de muestra, extensin (sitios) y tiempo (periodo a considerar).
49
El marco de la muestra es una representacin de los elementos de la poblacin meta. Consiste en una lista o grupo de indicaciones para identificar la poblacin sobre la que se quiere realizar el estudio. Algunos ejemplos de marco de muestra incluyen el directorio telefnico, una lista de universidades, una lista de estudiantes de un curso o materia. Si no puede compilarse una lista, deben especificarse, por lo menos, algunas indicaciones para identificar la poblacin meta.
Seleccionar la tcnica de muestreo a utilizar implica la toma de varias decisiones, pues se debe decidir, se utiliza una estrategia de muestra bayesiana o tradicional, muestra con o sin reemplazo y si emplear una muestra de probabilidad o no probabilidad

El tamao de la muestra refiere al nmero de unidades que se incluirn en el estudio, tamao conveniente para comprobar seguridad y precisin. Para calcular el tamao hay que tener en cuenta: (1) Porcentaje de confianza, con el cual se quiere generalizar los datos desde la muestra hacia la poblacin total. (2) Porcentaje de error para aceptar al momento de hacer la generalizacin. (3) Variabilidad del parmetro a estimar. Variabilidad positiva (p) y negativa (q), porque p y q son complementarias. Si se habla de la mxima variabilidad los valores de variabilidad pueden ser p = q = 0.5 el porcentaje que se considere adecuado para el caso. Tamao de Muestra. Si el tamao de la muestra o poblacin es infinito o no se conoce con precisin su tamao, la formula que se utiliza es:
50
2 2
p*q
entonces se aplica la
Si se conozca el tamao de siguiente frmula:
2 E la poblacin,
2
Z p * q * N
2
( N * E ) ( Z
2
2 2
* p * q)

51

52
53
Diseo de experimentos
Descripcin del concepto

El diseo experimental es una estructura de investigacin donde al menos se manipula una variable y las unidades son asignadas aleatoriamente a los distintos niveles o categoras de la variable o variables manipuladas.
54
55
Modelo de variacin y constancia
a) Variacin sistemtica de la variable independiente b) Control y neutralizacin de las variables extraas
Variables del diseo experimental

Tipo V. Independiente Accin Manipulacin
V. Dependiente
V. Extraa
Medicin
Control
56
Papel de las variables en el contexto experimental

Variable V. Independiente V. Dependiente Papel Causa Efecto
V. Extraa
Confusin
57
Manipulacin de la variable independiente

Manipulacin experimental de una variable independiente se refiere, en una situacin simple, a la aplicacin de un valor dado de una variable a un grupo de individuos y un valor diferente de la misma variable a un segundo grupo de individuos.
58
Variable dependiente
La variable dependiente es conocida, tambin, por variable de medida, de respuesta o de resultado.
Es aquel aspecto de comportamiento sobre el que esperamos observar el efecto de la variacin sistemtica de la variable independiente.
59
Control experimental
El control consiste en eliminar o bien neutralizar cualquier fuente de variacin extraa capaz de confundir la accin de la variable de tratamiento
60
Planificacin del diseo experimental
1. Formulacin de la hiptesis. 2. Seleccin de la variable independiente y dependiente adecuada. 3. Control de las variables extraas. 4. Manipulacin de la/s variable/s independiente/s y registro de la variable dependiente o de medida. 5. Anlisis estadstico de los datos. 6. Inferencia de la relacin entre la variable independiente y la dependiente.
61
Objetivos especficos del Diseo experimental
62
OBJETIVOS
Maximizar la variancia sistemtica primaria
CONSECUCIN
Mediante la adecuada eleccin de los valores de la variable independiente
Control de las fuentes de variacin secundarias
Mediante la seleccin de un diseo adecuado
Minimizar la variancia del error
Aumentando la precisin en la medida de los registros y seleccin de sujetos homogneos
63
Diseo experimental y control
64
La Investigacin Sustentado por Procesos Tcnicas de control

Experimental o directo: Diseo Estadstico o indirecto: Ajuste
Tcnicas de control asociadas al diseo

Tcnica de control Diseo
Aleatorizacin Constancia
Diseos de grupos completamente al azar Diseos de dos grupos apareados y de bloques
El sujeto como control Diseos intra-sujetos o de propio medidas repetidas

65
Clasificacin del Diseo experimental clsico
66

ESTRATEGIA DE COMPARACIN CANTIDAD DE VARIABLES INDEPENDIENTES
Diseos entre-grupos
Simple Factorial
Diseos experimentales
Diseos intra-sujetos o de medidas repetidas
Simple Factorial
Diseos mixtos
67
La Investigacin Sustentado por Procesos Resumen Conferencia

1. 2. 3. Introduccin a la Inferencia estadstica. Estudio estadstico. Tcnicas de Muestreo:
Muestreo aleatorio simple (con o sin reposicin), Muestreo aleatorio estratificado, Muestreo sistemtico y muestreo por conglomerados.
68
http://www.youtube.com/watch?v=f_Hx0pOJEuY
La Investigacin Sustentado por Procesos 5. Ajustes de Caso y Proyecto Resolucin de Preguntas al Anlisis de Caso / Proyecto Ajuste al Anlisis de Caso / Proyecto
69

5. Gua para la planeacin y seguimiento de Proyecto de clase.
70
1. Planteamiento de equipo de docencia.

Proceso Proyecto Trabajo en equipo
2. Seleccin de procesos por analizar.

Trabajo en Equipo Metodologa gil de Proyectos

6. Test de Salida.
71
1. Inicio del Test de Salida 2. Desarrollo del test de Salida. 3. Cierre del Test de Salida
La Investigacin Sustentado por Procesos 7. Test de Salida: Caso y proyecto. Se hace despus de la actividad de Proyecto de Clase.
72
La Investigacin Sustentado por Procesos 8. Evaluaciones Autora, Evaluacin, Docencia, Discencia.

Se hace al final o despus de la actividad de la leccin
Actividad rea Direccin Administracin Funcin Gestin Administrativa Administracin Estratgica Administracin Operativa Administracin Tctica Autora Conferencia: Caso, proyecto, Instruccin Pruebas de Entrada y Salida, Seguimiento de Clase, Caso, Proyecto, Parcial (Corroboracin) Conferencia Atencin, consultas, facilitacin y solucin de dudas Participacin, Asistencia, Trabajo en Equipo y Mejora Continua Pruebas de Entrada, Seguimiento y Salida Corroboracin
1 Alistamiento,
73
Estado1
Docencia
Discencia Evaluacin
Ejecucin, Cumplido
74
La Investigacin sustentada por Procesos
Lneas de Investigacin: Calidad, Ingeniera, Sistemas y Modelado Organizacional de Conocimiento Gnosis Avanzada en Ingeniera y Telemtica Aplicada
Tecnologa y Estndares en Ingeniera de Sistemas Software
Gnosis Unificada para la Ingeniera del Aprendizaje.
CONSTRUIMOS FUTURO
75
CONSTRUIMOS FUTURO

Conferencia CEPI 2013-1 L3-1 v-0.3

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

Conferencia CEPI 2013-1 L3-1 v-0.3

Hochgeladen von

Copyright:

Verfügbare Formate

Curso: Estadstica y Probabilidad para Ingenieros

La Investigacin sustentada por Procesos

Tecnologa y Estndares en Ingeniera de Sistemas Software

Gnosis Unificada para la Ingeniera del Aprendizaje.

La Investigacin Sustentado por Procesos

Curso: Estadstica y Probabilidad para Ingenieros

MDULO 3: Inferencia estadstica

La Investigacin Sustentado por Procesos Guion de la Leccin

Copyright CIDLIS UIS 2013

jueves, 12 de septiembre de 2013

La Investigacin Sustentado por Procesos

9. 10. 11. 12. 13. 14.

Copyright CIDLIS UIS 2013

jueves, 12 de septiembre de 2013

La Investigacin Sustentado por Procesos

3. Relatora de estudiantes que presentaron informes.

Copyright CIDLIS UIS 2013

jueves, 12 de septiembre de 2013

La Investigacin Sustentado por Procesos

Copyright CIDLIS UIS 2013

jueves, 12 de septiembre de 2013

La Investigacin Sustentado por Procesos 4. Presentacin.

Copyright CIDLIS UIS 2013

jueves, 12 de septiembre de 2013

La Investigacin Sustentado por Procesos 4. Presentacin.

Copyright CIDLIS UIS 2013

jueves, 12 de septiembre de 2013

La Investigacin Sustentado por Procesos

La Investigacin Sustentado por Procesos

Ricardo Llamosa 2011

La Investigacin Sustentado por Procesos

La Investigacin Sustentado por Procesos

La Investigacin Sustentado por Procesos

"En la filosofa occidental, es habitual, considerar dos modos bsicos de razonar:

La Investigacin Sustentado por Procesos

Considerando la investigacin un proceso:

sistemtico" que parte de la formulacin de una

La Investigacin Sustentado por Procesos

La Investigacin Sustentado por Procesos

La Investigacin Sustentado por Procesos

La Investigacin Sustentado por Procesos

La Investigacin Sustentado por Procesos

La Investigacin Sustentado por Procesos

Copyright CIDLIS UIS 2013

jueves, 12 de septiembre de 2013

INTRODUCCIN A LA INFERENCIA ESTADSTICA: PRUEBA NO PARAMTRICAS, Bondad de ajuste

La Investigacin Sustentado por Procesos

Copyright CIDLIS UIS 2013

jueves, 12 de septiembre de 2013

INTRODUCCIN A LA INFERENCIA ESTADSTICA: PRUEBA NO PARAMTRICAS

La Investigacin Sustentado por Procesos

Prueba de la Bondad del Ajuste

Copyright CIDLIS UIS 2013

jueves, 12 de septiembre de 2013

INTRODUCCIN A LA INFERENCIA ESTADSTICA: PRUEBA NO PARAMTRICAS, Bondad de ajuste

La Investigacin Sustentado por Procesos

Prueba de Chi-cuadrado (X2)

H0 : La distribucin de la probabilidad es Normal H1 : La distribucin de la probabilidad NO es Normal

Copyright CIDLIS UIS 2013

jueves, 12 de septiembre de 2013

La Investigacin Sustentado por Procesos

Naturaleza de la prueba de Chi-cuadrado

(fo1 fe1) 2 / fe1