Ciudad de Guatemala, 2013

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Ciudad de Guatemala, 2013"

Transcripción

1 Ciudad de Guatemala,

2 Clase 5 Muestreo y tamaño de muestra D i e g o A y c i n e n a diegoaa@ufm.edu Universidad Francisco Marroquín 2

3 Clases (Profesores) H o r a r i o Actividades en Grupo (Todos) Trabajo en Grupo (Prof. Asistentes) Lunes 10 Martes 11 Miércoles 12 Jueves 13 Viernes 14 Introducción Proyecto en Grupo Ejercicio 1 Clase 7. Aspectos Operativos. Presentaciones Finales Clase 1. Qué es una evaluación? Caso de Estudio 1 Clase 2. Resultados, Indicadores y Midiendo Impacto. Caso de Estudio 2 Clase 5. Muestreo y tamaño de muestra. Clase 3. Por qué aleatorizar? Clase 4. Cómo aleatorizar? Ejercicio 2 Proyecto en Grupo Clase 8. Evaluación aleatoria de principio. a fin. Presentaciones Finales Ceremonia de Clausura Caso de Estudio 3 Proyecto en Grupo Almuerzo cierre Proyecto en Grupo Proyecto en Grupo Clase 6. Amenazas y Análisis. Proyecto en Grupo Cóctel 3

4 R e s u m e n d e l a e x p o s i c i ó n 1. Introducción y conceptos básicos 2. Hipótesis y tipos de errores 3. Qué determina el Poder? 4. Resumen

5 1. I n t r o d u c c i ó n y c o n c e p t o s b á s i c o s

6 E v a l u a c i ó n y M u e s t r e o Evaluación de impacto: tamaño del impacto estimado para una población Evaluar a toda la población? Muy costoso No es factible Tomar una muestra Estimamos el impacto en la población a través de la muestra 6

7 R e c a p i t u l a n d o : M u e s t r e o y Va l i d e z Muestreo aleatorio Validez externa Muestra Representativa Población Relevante 7

8 R e c a p i t u l a n d o : M u e s t r e o y Va l i d e z Muestreo aleatorio Validez externa Asignación aleatoria (tratamiento & control) validez interna Tratamiento Control Muestra Representativa 8

9 E v a l u a c i ó n y M u e s t r e o Asignación aleatoria elimina el sesgo Genera grupos que tienen características iguales en promedio si la muestra es suficientemente grande Qué pasa si asigno 1 persona a tratamiento y 1 a control? Dichas características van a tender a ser iguales a las características de la población si la muestra es (representativa y) suficientemente grande 9

10 Precisión (Tamaño Muestra) E x a c t i t u d v s. P r e c i s i ó n estimates truth Sesgo No Sesgo (Aleatorización)

11 P r e c i s i ó n y M u e s t r e o Comparo los resultados de la muestra para grupo de tratamiento contra los resultados para grupo de control Como no observo a toda la población, estimo el impacto para la población utilizando una muestra No tengo certeza, sobre el impacto para la población Si la muestra es pequeña, mis estimaciones van a ser poco precisas No tengo mucha confianza en mis estimaciones margen de error Cuánta confianza puedo tener en mis estimaciones? 11

12 P r e c i s i ó n y M u e s t r e o Supongamos que tomo una muestra representativa de la población y la asigno aleatoriamente a tratamiento y control Resultado promedio: Tratamiento: 60 Control: 50 Qué podemos concluir? 12

13 Q u é p o d e m o s c o n c l u i r? 1. El programa tuvo impacto de 10 puntos. 2. El programa no tuvo impacto. 3. No tengo suficiente información para concluir sobre el impacto. 18% 0% 82%

14 value Frequency P r e c i s i ó n a l t a Desviación Estándar Pequeña mean 50 mean Número 14

15 value value Frequency P r e c i s i ó n b a j a Desviación Estandar Estándar Pequeña Mediana mean mean mean 60 mean 60 Número Number 15

16 value Frequency Q u é p o d e m o s c o n c l u i r? Desviación Estandar Estándar Alta Pequeña mean mean Número Number 16

17 P r e c i s i ó n y C o n f i a n z a e n l a E s t i m a c i ó n Cuánta confianza puedo tener en mis estimaciones? La confianza en mis estimaciones dépende de: Variabilidad de la muestra (desviación estándar) Tamaño de la muestra Esto lo podemos resumir en el error estándar (SE) SE X = SD Intervalo de confianza N 17

18 I n t e r v a l o d e C o n f i a n z a Recordemos que el efecto estimado depende de la muestra que utilizo Si utilizo una muestra distinta, mi estimación del efecto puede ser distinta Un intervalo de confianza de 95% nos dice que para el 95% de las muestras que pudimos haber utilizado, el impacto estimado estaría dentro de este intervalo Regla de dedo: El impacto promedio estimado ±2 SE me da (aprox.) un intervalo de confianza de 95% 18

19 2. H i p ó t e s i s

20 H i p ó t e s i s y e l M é t o d o C i e n t í f i c o En el método científico, partimos de teorías De estas teorías, derivamos hipótesis empíricamente testables o falsables Observaciones empíricas NO nos permiten probar o confirmar una hipótesis, únicamente nos permiten rechazarla o no-rechazarla Pruebas de hipótesis son cruciales a la ciencia Y fuera de la ciencia? 21

21 P r u e b a s d e h i p ó t e s i s En derecho penal, la mayoría de las instituciones siguen la regla: inocente hasta que se pruebe lo contrario Juez comienza con hipótesis nula que el acusado es inocente. La hipótesis alterna del juez es que el acusado es culpable. Bajo la presunción de inocencia, la carga de la prueba que el acusado es culpable cae en el fiscal Tiene que proveer suficiente evidencia para rechazar la hipótesis nula en favor de la alterna (culpable) 22

22 P r u e b a s d e h i p ó t e s i s Evaluación: en lugar de presunción de inocencia, la regla es: presunción de insignificancia. La hipótesis nula (H 0 ) es que no hubo (cero) impacto del programa Es decir, NO hay diferencia entre grupos de Tratamiento y Control La carga de la prueba recae en el evaluador Debe demostrar un efecto significativo del programa. Si la diferencia entre grupos de Tratamiento y Control es grande, entonces rechazamos la hipótesis nula.

23 P r u e b a s d e h i p ó t e s i s Hipótesis Nula (H 0 ) No hay impacto: Impacto = 0 Impacto 0 Impacto 0 Hipótesis Alterna (H a ) Si hay Impacto: Impacto 0 Impacto positivo, Efecto > 0 Impacto negativo, Efecto < 0 Impacto = Resultado Tratamiento Resultado Control Prueba de hipótesis: puedo rechazar H 0 (en favor de H a )? Son los datos que recolectamos consistentes con H 0 o no?

24 T i p o s de e r r o r e s e n p r u e b a s de h i p ó t e s i s USTED CONCLUYE Sí tuvo efecto rechazo H 0 No tuvo efecto No Rechazo H 0 en favor de H a LA VERDAD Programa SI tuvo efecto Error tipo II (bajo poder) Creo que NO tuvo efecto cuando en verdad SI (muestra muy chica para detectar efectos?) Error tipo I Programa NO tuvo efecto Creo que SI hay efecto cuando en verdad NO Baja confianza Bajo poder 25

25 C o n f i a n z a : E r r o r t i p o I Error tipo I: rechazar la hipótesis nula, cuando en realidad es verdadera Falso positivo Creer que si hay impacto cuando en realidad NO lo hay Nivel de significancia (α): La probabilidad que rechacemos la H 0 cuando sea verdadera Investigador elige y maneja directamente α Típicamente, niveles de α: 0.05, 0.01, 0.1 Con un nivel de 5% (α=0.05), tengo 95% de confianza en la validez de mi conclusión

26 S i g n i f i c a n c i a : p r o b a b i l i d a d de d e t e r m i n a r que sí hay e f e c t o Verdad bajo Ho Verdad bajo H1 Sin programa control Con treatment Programa significance t= valor critico Región crítica, determinamos α

27 Q u é e s P o d e r E s t a d í s t i c o? Error Tipo II: No rechazar la hipótesis nula, cuando en realidad es falsa. Concluir que no hay diferencia, cuando si la hay Creer que no hay impacto cuando en realidad SI lo hay Poder: La probabilidad que rechacemos H 0, si H 0 es falsa Probabilidad que detectemos un efecto, cuando si existe un efecto medible de nuestra intervención Si replico el mismo experimento 100 veces, cuántas veces voy a rechazar H 0 a cierto nivel de significancia?

28 P o d e r : p r o b a b i l i d a d de d e t e c t a r e l e f e c t o c u a n d o e s t e e x i s t e Verdad bajo Ho Verdad bajo H1 Sin programa Con Programa error tipo 2 t= valor critico Poder: Probabilidad de detectar el efecto cuando SÍ es cierto

29 I m p o r t a e l t a m a ñ o d e l a m u e s t r a? Muestras chicas presentan desventajas: Puedes tener mala suerte y que la muestra no represente a la población Imprecisión: Mucho ruido o poca precisión, aunque no haya sesgo. Dificulta las pruebas de hipótesis: bajo poder Se complica usar estadística porque en muestras chicas la distribución de estimadores es complicada. Muestras grandes son costosas Buscar el tamaño óptimo

30 E x a c t i t u d v e r s u s P r e c i s i ó n

31 E r r o r t i p o I v s E r r o r t i p o I I Con un nivel de significancia más alto, se aumenta la probabilidad de error tipo I pero aumenta el poder de la prueba (se reduce la probabilidad de cometer error tipo II) En general, Trade-off: si bajas el nivel de significancia reduces probabilidad de error tipo 1 pero aumenta probabilidad de error tipo 2 (i.e. bajas poder)

32 E r r o r t i p o I v s E r r o r t i p o I I Una forma de reducir ambos tipos de errores es haciendo las distribuciones más delgadas. Esto se logra subiendo el tamaño de muestra. La práctica común es fijar un nivel de significancia (p. ej. α=0.05) y escoger el tamaño de muestra para aumentar el poder, Típicamente 80% o 90% de poder es aceptable en economía.

33 3. P o d e r

34 A n t e s d e l P r o g r a m a control Control 0.25 H H β treatment Tratamiento Asuma que hay dos efectos: efecto nulo y efecto β

35 Q u é a f e c t a e l p o d e r? Cuáles son los factores que cambian la probabilidad de detectar el impacto cuando este existe? Comprender esto nos ayuda a diseñar experimentos más potentes 39

36 Q u é a f e c t a e l p o d e r? 1. Magnitud del efecto 2. Tamaño de la muestra 3. Varianza / Desviación Estándar 4. Proporción de la muestra en T vs. C 5. Grupos (clusters)

37 M a g n i t u d d e l E f e c t o : 1 * E r r o r E s t Estándar Hypothesized effect size determines distance 0.4 between means Error H H β control Control treatment Tratamiento

38 M a g n i t u d d e l E f e c t o = 1 * E r r o r E s t control Control H H β treatment Tratamiento significance Significancia

39 P o d e r : 2 6 % S i e l i m p a c t o v e r d a d e r o f u e s e 1 * E r r o r E s t control Control H H β treatment Tratamiento power Poder La hipótesis nula sería rechazada el 26% de las veces

40 M a g n i t u d d e l E f e c t o : 3 * E r r o r E s t *SE control Control treatment Tratamiento Mayor magnitud del efecto hipotetizado las distribuciones se apartan

41 M a g n i t u d d e l E f e c t o 3 * E r r o r E s t : P o d e r = 9 1 % control Control H H β treatment Tratamiento power Poder Efecto más grande Más poder

42 M a g n i t u d d e l E f e c t o La magnitud del efecto real esta fuera de nuestro control Pero podemos elegir cual es el efecto mínimo que queremos detectar (con cierta probabilidad) Mientras más pequeño sea el efecto mínimo que queremos detectar, más grande es la muestra que necesitamos para alcanzar cierto poder Cómo decidimos el efecto mínimo que queremos detectar? 46

43 M a g n i t u d d e l E f e c t o M í n i m o a D e t e c t a r Cuál es el tamaño mínimo que justifica el programa que estoy evaluando? Costo del programa Valor de los beneficios Costo de oportunidad del programa El efecto típicamente lo medimos estandarizado El efecto estandarizado es el tamaño del efecto dividido por la desviación estándar del resultado d = tamaño del efecto/desviación Estándar 47

44 Q u é a f e c t a e l p o d e r? 1. Magnitud del efecto 2. Tamaño de la muestra 3. Varianza / Desviación Estándar 4. Proporción de la muestra en T vs. C 5. Grupos (clusters)

45 H a c i e n d o r o d a r 2 d a d o s : P u n t a j e p r o m e d i o d e l o s d a d o s y p r o b a b i l i d a d Likelihood 1/4 1/6 0 Frecuencia Frequency 1/36 1/18 1/12 1/9 5/36 1/6 5/36 1/9 1/12 1/18 1/36

46 H a c i e n d o r o d a r 3 0 d a d o s : S e d i s t r i b u y e N o r m a l, c o n m e d i a % 3.0% 2.5% 2.0% 1.5% 1.0% 0.5% 0.0% >99% de todas las veces darán un promedio entre 3 y 4

47 P o d e r : M a g n i t u d d e l e f e c t o = 1 S D, Ta m a ñ o d e l a m u e s t r a = N control Control treatment Tratamiento significance Significancia

48 P o d e r : Ta m a ñ o d e l a m u e s t r a = 4 N control Control treatment Tratamiento significance Significancia

49 P o d e r : 6 4 % control Control treatment Tratamiento power Poder

50 P o d e r : Ta m a ñ o d e l a m u e s t r a = control Control treatment Tratamiento significance Significancia

51 P o d e r : 9 1 % control Control treatment Tratamiento power Poder

52 Ta m a ñ o d e l a M u e s t r a Una de las variables sobre las que tenemos mayor control Limitaciones Cálculos de poder buscar el tamaño de la muestra mínima Para un nivel de significancia Para un tamaño de efecto específico Para alcanzar cierto nivel de poder 56

53 Q u é a f e c t a e l p o d e r? 1. Magnitud del efecto 2. Tamaño de la muestra 3. Varianza / Desviación Estándar 4. Proporción de la muestra en T vs. C 5. Grupos (clusters)

54 Va r i a n z a No podemos hacer mucho para reducir la varianza Podemos tratar de hacer mediciones más precisas Podemos tratar de absorber la varianza: Usando una línea base Sumamente útil para variables que tienden a ser persistentes Controlando otras variables Intuición: capturar la variación que se debe a otros factores distintos a tratamiento

55 Q u é a f e c t a e l p o d e r? 1. Magnitud del efecto 2. Tamaño de la muestra 3. Varianza 4. Proporción de la muestra en T vs. C 5. Grupos (clusters)

56 D i v i s i ó n d e l a m u e s t r a : 5 0 % C, 5 0 % T H β control Control treatment Tratamiento H significance Significancia

57 P o d e r : 9 1 % control Control treatment Tratamiento power Poder

58 Y s i n o t e n e m o s u n a d i v i s i ó n ? Qué pasa con el grosor relativo si la división no es y es 25-75?

59 D i v i s i ó n d e l a m u e s t r a : 2 5 % C, 7 5 % T H β control Control treatment Tratamiento H significance Significancia

60 P o d e r : 8 3 % control Control treatment Tratamiento power Poder

61 Q u é a f e c t a e l p o d e r? 1. Magnitud del efecto 2. Tamaño de la muestra 3. Varianza 4. Proporción de la muestra en T vs. C 5. Grupos (clusters)

62 D i s e ñ o a g r u p a d o Muchas veces, el diseño nos exige que la unidad de aleatorización no sean los individuos, sino grupos Debido a posibilidad de externalidades/contaminación, viabilidad política, naturaleza de la intervención Ej: PROGRESA municipio, Balsakhi, Desparasitación escuela Cómo afecta el diseño agrupado al poder y al tamaño de la muestra que necesito?

63 D i s e ñ o a g r u p a d o : i n t u i c i ó n Usted desea saber cuán estrechas serán las próximas elecciones nacionales. Método 1: Seleccione aleatoriamente a 50 personas de toda la población en Perú. Método 2: Seleccione aleatoriamente a 5 familias, y pregúnteles la opinión a diez miembros de cada familia.

64 B a j a c o r r e l a c i ó n i n t r a - c l u s t e r ( R h o )

65 A l t a c o r r e l a c i ó n i n t r a - c l u s t e r ( R h o )

66 D i s e ñ o a g r u p a d o Correlación en los resultados para los individuos dentro de un grupo Todos los que viven en un municipio están sujetos al mismo clima, mismas autoridades, interactúan entre sí Todos los estudiantes de una escuela estan sujetos al mismo director, interactúan entre sí, comparten normas... Cálculo de poder (y el tamaño de la muestra) debe tomar en cuenta la correlación intra-grupal Entre mayor sea la correlación entre los miembros del grupo, más deberemos ajustar los errores estándar

67 4. R e s u m e n

68 M u e s t r e o y Ta m a ñ o d e M u e s t r a No observamos directamente el impacto, lo estimamos Nuestra estimación de impacto es eso una estimación La confianza que tenemos en nuestras estimaciones dependen del tamaño de la muestra y de la varianza de los resultados Debemos tomar en cuenta estos factores, así como los factores que afectan el poder en el diseño de la evaluación experimental

69 M u e s t r e o y Ta m a ñ o d e M u e s t r a El Poder (la probabilidad de detectar un efecto, cuando este existe), depende de: Magnitud del efecto Tamaño de la muestra Varianza Proporción de la muestra en T vs. C Grupos (clusters) Cálculo de poder son inciertos e involucra especulación, pero importante para racionalizar el uso de los recursos Evitar despilfarrar dinero en evaluaciones en las que es imposible detectar impacto

70 Clase 3 GRACIAS D i e g o A y c i n e n a diegoaa@ufm.edu Universidad Francisco Marroquín 75

71 A continuación: Ejercicio 2 C á l c u l s o d e P o d e r y O p t i m a l D e s i g n A 76

Eduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS

Eduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos

Más detalles

Biometría Clase 8 Pruebas de hipótesis para una muestra. Adriana Pérez 1

Biometría Clase 8 Pruebas de hipótesis para una muestra. Adriana Pérez 1 Biometría Clase 8 Pruebas de hipótesis para una muestra Adriana Pérez 1 Qué es una prueba de hipótesis? Es un proceso para determinar la validez de una aseveración hecha sobre la población basándose en

Más detalles

7.- PRUEBA DE HIPOTESIS

7.- PRUEBA DE HIPOTESIS 7.- PRUEBA DE HIPOTEI 7.1. INTRODUCCIÓN La estadística inferencial es el proceso de usar la información de una muestra para describir el estado de una población. in embargo es frecuente que usemos la información

Más detalles

PRUEBAS DE HIPÓTESIS

PRUEBAS DE HIPÓTESIS PRUEBAS DE HIPÓTESIS Muchos problemas de ingeniería, ciencia, y administración, requieren que se tome una decisión entre aceptar o rechazar una proposición sobre algún parámetro. Esta proposición recibe

Más detalles

Inducción. El arco del conocimiento. Intro: hace 2.500 años. Intro: el método científico (II) Intro: el método científico (I)

Inducción. El arco del conocimiento. Intro: hace 2.500 años. Intro: el método científico (II) Intro: el método científico (I) Intro: hace 2.500 años Introducción Probabilidad, estadística e inferencia científica Marco Pavesi Senior Epidemiologist CIS Clinical Epidemiology Novartis Farmacéutica S.A. Antístenes: yo veo estos caballos,

Más detalles

Colegio Alexander von Humboldt - Lima. Tema: La enseñanza de la matemática está en un proceso de cambio

Colegio Alexander von Humboldt - Lima. Tema: La enseñanza de la matemática está en un proceso de cambio Refo 07 2004 15 al 19 de noviembre 2004 Colegio Alexander von Humboldt - Lima Tema: La enseñanza de la matemática está en un proceso de cambio La enseñanza de la matemática debe tener dos objetivos principales:

Más detalles

Planificación del tamaño de la muestra. para las evaluaciones de impactos. David Evans, Banco Mundial. (Banco Mundial) Turning Promises into Evidence

Planificación del tamaño de la muestra. para las evaluaciones de impactos. David Evans, Banco Mundial. (Banco Mundial) Turning Promises into Evidence Planificación del tamaño de la muestra para las evaluaciones de impactos David Evans, Banco Mundial Basada en transparencias de Esther Duflo (J-PAL) y Jed Friedman (Banco Mundial) REGIONAL IMPACT EVALUATION

Más detalles

1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros

1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros TEMA 0: INTRODUCCIÓN Y REPASO 1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros desconocidos 4. Comparación

Más detalles

Test ( o Prueba ) de Hipótesis

Test ( o Prueba ) de Hipótesis Test de Hipótesis 1 Test ( o Prueba ) de Hipótesis Ejemplo: Una muestra de 36 datos tiene una media igual a 4.64 Qué puede deducirse acerca de la población de donde fue tomada? Se necesita contestar a

Más detalles

Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice

Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice 1 Polinomios Dedicaremos este apartado al repaso de los polinomios. Se define R[x] ={a 0 + a 1 x + a 2 x 2 +... +

Más detalles

Estadística y Método Científico Hugo S. Salinas. Fuente: http://dta.utalca.cl/estadistica/

Estadística y Método Científico Hugo S. Salinas. Fuente: http://dta.utalca.cl/estadistica/ Estadística y Método Científico Hugo S. Salinas Fuente: http://dta.utalca.cl/estadistica/ Estadística y Método Científico Podemos definir Estadística como la ciencia de los datos. La palabra ciencia viene

Más detalles

Por qué tomar muestras? Si queremos conocer una población, Por qué no tomar una muestra de toda la población?, Por qué no hacer un censo?

Por qué tomar muestras? Si queremos conocer una población, Por qué no tomar una muestra de toda la población?, Por qué no hacer un censo? Página 1 de 8 CAPÍTULO 2: MUESTREO En el capítulo anterior hablamos de que para tomar decisiones en Estadística primero debemos formular una hipótesis a partir de la teoría del investigador. Una vez formulada

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

LA MEDIDA Y SUS ERRORES

LA MEDIDA Y SUS ERRORES LA MEDIDA Y SUS ERRORES Magnitud, unidad y medida. Magnitud es todo aquello que se puede medir y que se puede representar por un número. Para obtener el número que representa a la magnitud debemos escoger

Más detalles

COMITÉ DE ÉTICA EN INVESTIGACIÓN Y COMITÉ DE INVESTIGACIÓN. Autores: Dra. Liliana Muñoz Hernandez Dr. Carlos A. Aguilar Salinas

COMITÉ DE ÉTICA EN INVESTIGACIÓN Y COMITÉ DE INVESTIGACIÓN. Autores: Dra. Liliana Muñoz Hernandez Dr. Carlos A. Aguilar Salinas COMITÉ DE ÉTICA EN INVESTIGACIÓN Y COMITÉ DE INVESTIGACIÓN Autores: Dra. Liliana Muñoz Hernandez Dr. Carlos A. Aguilar Salinas Los comités de Ética en Investigación y de Investigación Clínica le dan la

Más detalles

ANÁLISIS DE DATOS NO NUMERICOS

ANÁLISIS DE DATOS NO NUMERICOS ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

1 Introducción a contrastes de hipótesis

1 Introducción a contrastes de hipótesis Inferencia Estadística II Teoría, handout 1 1 Introducción a contrastes de hipótesis En este curso vamos a aprender a usar los datos para cuestionar la validez de ciertas afirmaciones teóricas. Los fenómenos

Más detalles

Pruebas de. Hipótesis

Pruebas de. Hipótesis Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar

Más detalles

"CONTRASTES DE HIPÓTESIS" 4.4 Parte básica

CONTRASTES DE HIPÓTESIS 4.4 Parte básica 76 "CONTRASTES DE HIPÓTESIS" 4.4 Parte básica 77 4.4.1 Introducción a los contrastes de hipótesis La Inferencia Estadística consta de dos partes: Estimación y Contrastes de Hipótesis. La primera se ha

Más detalles

6. Gestión de proyectos

6. Gestión de proyectos 6. Gestión de proyectos Versión estudiante Introducción 1. El proceso de gestión de proyectos 2. Gestión del riesgo "La gestión de proyectos se basa en establecer objetivos claros, gestionar el tiempo,

Más detalles

Asignatura: Econometría. Conceptos MUY Básicos de Estadística

Asignatura: Econometría. Conceptos MUY Básicos de Estadística Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes

Más detalles

LÍMITES DE FUNCIONES. CONTINUIDAD

LÍMITES DE FUNCIONES. CONTINUIDAD LÍMITES DE FUNCIONES. CONTINUIDAD Página REFLEXIONA Y RESUELVE Algunos ites elementales Utiliza tu sentido común para dar el valor de los siguientes ites: a,, b,, @ c,, 5 + d,, @ @ + e,, @ f,, 0 @ 0 @

Más detalles

GRAFICOS DE CONTROL DATOS TIPO VARIABLES

GRAFICOS DE CONTROL DATOS TIPO VARIABLES GRAFICOS DE CONTROL DATOS TIPO VARIABLES PROCESO Maquinaria Métodos Materias Primas Proceso Producto Mano de Obra Condiciones Ambientales VARIACIÓN Fundamentalmente, las cinco fuentes más importantes de

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS

ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se

Más detalles

INFERENCIA ESTADISTICA: CONTRASTE DE HIPÓTESIS

INFERENCIA ESTADISTICA: CONTRASTE DE HIPÓTESIS UNIVERSIDAD CENTROCCIDENTAL LISANDRO ALVARADO DECANATO DE MEDICINA DEPARTAMENTO DE MEDICINA PREVENTIVA Y SOCIAL SECCIÓN DE EPIDEMIOLOGÍA-BIOESTADÍSTICA INFERENCIA ESTADISTICA: CONTRASTE DE HIPÓTESIS Objetivo:

Más detalles

Diana del Pilar Cobos del Angel. Experimento: Es una prueba o ensayo. Es el proceso de obtener una observación.

Diana del Pilar Cobos del Angel. Experimento: Es una prueba o ensayo. Es el proceso de obtener una observación. Diana del Pilar Cobos del Angel Términos básicos Experimento: Es una prueba o ensayo. Es el proceso de obtener una observación. Eventos Simples: Cualquier resultado básico de un experimento. Un evento

Más detalles

Clase 9 -Carga anual equivalente (CAE) TIR Comparación entre alternativas

Clase 9 -Carga anual equivalente (CAE) TIR Comparación entre alternativas Clase 9 -Carga anual equivalente (CAE) TIR Comparación entre alternativas Carolina Rojas G. Universidad Diego Portales Facultad de Ingeniería Industrial Caraga anual equivalente (CAE) Comparación de alternativas

Más detalles

Los números racionales

Los números racionales Los números racionales Los números racionales Los números fraccionarios o fracciones permiten representar aquellas situaciones en las que se obtiene o se debe una parte de un objeto. Todas las fracciones

Más detalles

Pruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Pruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Pruebas de ipótesis de Una y Dos Muestras UCR ECCI CI-35 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides ipótesis Estadísticas Conceptos Generales En algunos casos el científico

Más detalles

LÍMITES Y CONTINUIDAD

LÍMITES Y CONTINUIDAD UNIDAD 5 LÍMITES Y CONTINUIDAD Páginas 0 y Describe las siguientes ramas: a) f () b) f () no eiste c) f () d) f () + e) f () f) f () + g) f () h) f () no eiste; f () 0 i) f () + f () + j) f () 5 4 f ()

Más detalles

Por qué es importante la planificación?

Por qué es importante la planificación? Por qué es importante la planificación? La planificación ayuda a los empresarios a mejorar las probabilidades de que la empresa logre sus objetivos. Así como también a identificar problemas claves, oportunidades

Más detalles

Análisis y cuantificación del Riesgo

Análisis y cuantificación del Riesgo Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el

Más detalles

Inferencia Estadística

Inferencia Estadística Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto

Más detalles

TRADICIONALMENTE EL ANÁLISIS FINANCIERO SE HA BASADO EN EL USO DE LOS INDICADORES O RATIOS. SI BIEN ESTE TIPO DE ANÁLISIS ES BASTANTE CONOCIDO Y

TRADICIONALMENTE EL ANÁLISIS FINANCIERO SE HA BASADO EN EL USO DE LOS INDICADORES O RATIOS. SI BIEN ESTE TIPO DE ANÁLISIS ES BASTANTE CONOCIDO Y EL ANÁLISIS POR ÍNDICES TRADICIONALMENTE EL ANÁLISIS FINANCIERO SE HA BASADO EN EL USO DE LOS INDICADORES O RATIOS. SI BIEN ESTE TIPO DE ANÁLISIS ES BASTANTE CONOCIDO Y APLICADO, EN ALGUNAS OPORTUNIDADES

Más detalles

VECTORES. Módulo, dirección y sentido de un vector fijo En un vector fijo se llama módulo del mismo a la longitud del segmento que lo define.

VECTORES. Módulo, dirección y sentido de un vector fijo En un vector fijo se llama módulo del mismo a la longitud del segmento que lo define. VECTORES El estudio de los vectores es uno de tantos conocimientos de las matemáticas que provienen de la física. En esta ciencia se distingue entre magnitudes escalares y magnitudes vectoriales. Se llaman

Más detalles

decisiones En términos de margen, cómo comparar el maíz temprano y el maíz tardío? nº 89 18 de agosto de 2015

decisiones En términos de margen, cómo comparar el maíz temprano y el maíz tardío? nº 89 18 de agosto de 2015 nº 89 18 de agosto de 2015 En términos de margen, cómo comparar el maíz temprano y el maíz tardío? Con el objetivo de analizar los resultados esperables del maíz en esta campaña, y poder adelantarnos en

Más detalles

MANUAL PARA EL USO DE SPSS

MANUAL PARA EL USO DE SPSS MANUAL PARA EL USO DE SPSS 1 INTRODUCCIÓN El propósito de este manual, es ilustrar con un ejemplo cómo generar tablas de frecuencia, tablas de contingencia, cálculos de medias, así como la generación de

Más detalles

INFERENCIA ESTADÍSTICA: CONTRASTE DE HIPÓTESIS

INFERENCIA ESTADÍSTICA: CONTRASTE DE HIPÓTESIS INFERENCIA ESTADÍSTICA: CONTRASTE DE HIPÓTESIS Página 311 REFLEXIONA Y RESUELVE Máuina empauetadora El fabricante de una máuina empauetadora afirma ue, si se regula para ue empauete palés con 100 kg, los

Más detalles

ANALISIS MULTIVARIANTE

ANALISIS MULTIVARIANTE ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,

Más detalles

INDICADORES. PROBLEMAS ASOCIADOS A SU SELECCIÓN PARA MEDIR SUSTENTABILIDAD Y EFICIENCIA AMBIENTAL

INDICADORES. PROBLEMAS ASOCIADOS A SU SELECCIÓN PARA MEDIR SUSTENTABILIDAD Y EFICIENCIA AMBIENTAL FUNDACION NEXUS ciencias sociales medio ambiente salud INDICADORES. PROBLEMAS ASOCIADOS A SU SELECCIÓN PARA MEDIR SUSTENTABILIDAD Y EFICIENCIA AMBIENTAL Por Daniel Fernández Dillon Ingeniería Sanitaria

Más detalles

C O O P E R A T I V A D E A H O R R O Y C R E D I T O A B I E R T A M O N S E Ñ O R F E L I X G A I N Z A L T D A

C O O P E R A T I V A D E A H O R R O Y C R E D I T O A B I E R T A M O N S E Ñ O R F E L I X G A I N Z A L T D A C O O P E R A T I V A D E A H O R R O Y C R E D I T O A B I E R T A M O N S E Ñ O R F E L I X G A I N Z A L T D A P o r q u é e s i m p o r t a n t e q u e s e p a m o s s o b r e t e m a s f i n a n c

Más detalles

ANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS

ANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS Estudio Financiero ANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS Medir cuan sensible es la evaluación financiera a través de variaciones en las principales variables críticas del proyecto, de forma que

Más detalles

GUÍA PARA LOS PROCEDIMIENTOS DE TEMOR CREÍBLE Y TEMOR RAZONABLE

GUÍA PARA LOS PROCEDIMIENTOS DE TEMOR CREÍBLE Y TEMOR RAZONABLE GUÍA PARA LOS PROCEDIMIENTOS DE TEMOR CREÍBLE Y TEMOR RAZONABLE ************************************ Si acaba de llegar a los Estados Unidos sin permiso y tiene miedo de regresar a su país de origen, puede

Más detalles

La conveniencia de erradicar de nuestro sistema educativo las preguntas que restan en los exámenes tipo test

La conveniencia de erradicar de nuestro sistema educativo las preguntas que restan en los exámenes tipo test DESARROLLO Y EXPLICACIONES ADICIONALES DEL ARTÍCULO DE LA VANGUARDIA RESTAR NO SUMA Por Fernando Trias de Bes La conveniencia de erradicar de nuestro sistema educativo las preguntas que restan en los exámenes

Más detalles

4 Teoría de diseño de Experimentos

4 Teoría de diseño de Experimentos 4 Teoría de diseño de Experimentos 4.1 Introducción En los capítulos anteriores se habló de PLC y de ruido, debido a la inquietud por saber si en una instalación eléctrica casera que cuente con el servicio

Más detalles

MATEMÁTICAS CON LA HOJA DE CÁLCULO

MATEMÁTICAS CON LA HOJA DE CÁLCULO MATEMÁTICAS CON LA HOJA DE CÁLCULO Podemos dar a esta aplicación un uso práctico en el aula de Matemáticas en varios sentidos: Como potente calculadora: sucesiones, límites, tablas estadísticas, parámetros

Más detalles

Indicaciones específicas para los análisis estadísticos.

Indicaciones específicas para los análisis estadísticos. Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por

Más detalles

EJERCICIOS RESUELTOS DE VARIABLES CUALITATIVAS

EJERCICIOS RESUELTOS DE VARIABLES CUALITATIVAS EJERCICIOS RESUELTOS DE VARIABLES CUALITATIVAS Ejemplo 1: Considere la siguiente tabla de 2x2, que contiene los resultados de un estudio que analiza la efectividad del uso de cascos de seguridad en ciclistas,

Más detalles

PRUEBAS NO PARAMÉTRICAS

PRUEBAS NO PARAMÉTRICAS PRUEBAS NO PARAMÉTRICAS 1. PRUEBAS DE NORMALIDAD Para evaluar la normalidad de un conjunto de datos tenemos el Test de Kolmogorov- Smirnov y el test de Shapiro-Wilks La opción NNPLOT del SPSS permite la

Más detalles

Muestreo. Introducción

Muestreo. Introducción Muestreo Introducción En este documento ofrecemos un resumen sobre el concepto de muestreo, y los tipos de muestreo existentes. Además, adjuntamos una hoja para el cálculo de tamaños muestrales en auditorías

Más detalles

Análisis estadístico. Tema 1 de Biología NS Diploma BI Curso 2013-2015

Análisis estadístico. Tema 1 de Biología NS Diploma BI Curso 2013-2015 Análisis estadístico Tema 1 de Biología NS Diploma BI Curso 2013-2015 Antes de comenzar Sobre qué crees que trata esta unidad? - Escríbelo es un post-it amarillo. Pregunta guía Cómo podemos saber si dos

Más detalles

Computación I Representación Interna Curso 2011

Computación I Representación Interna Curso 2011 Computación I Representación Interna Curso 2011 Facultad de Ingeniería Universidad de la República Temario Representación de Números Enteros Representación de Punto Fijo Enteros sin signo Binarios puros

Más detalles

CAPÍTULO 3: DISEÑO DE INVESTIGACIONES

CAPÍTULO 3: DISEÑO DE INVESTIGACIONES Página 1 de 6 CAPÍTULO 3: DISEÑO DE INVESTIGACIONES En los capítulos anteriores se estableció que después de formular una teoría, se necesita recoger información para probarla, y en el capítulo anterior

Más detalles

RESUMEN EJECUTIVO EFECTOS DEL RUIDO EN LA SALUD

RESUMEN EJECUTIVO EFECTOS DEL RUIDO EN LA SALUD RESUMEN EJECUTIVO EFECTOS DEL RUIDO EN LA SALUD Introducción general.- Tradicionalmente, cuando se enumeran las posibles afecciones a la salud producidas por la presencia de contaminantes, se hace mención

Más detalles

Curso Práctico de Bioestadística Con Herramientas De Excel

Curso Práctico de Bioestadística Con Herramientas De Excel Curso Práctico de Bioestadística Con Herramientas De Excel Fabrizio Marcillo Morla MBA barcillo@gmail.com (593-9) 4194239 Fabrizio Marcillo Morla Guayaquil, 1966. BSc. Acuicultura. (ESPOL 1991). Magister

Más detalles

Tests de hipótesis estadísticas

Tests de hipótesis estadísticas Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para

Más detalles

EJEMPLO DE REPORTE DE LIBERTAD FINANCIERA

EJEMPLO DE REPORTE DE LIBERTAD FINANCIERA EJEMPLO DE REPORTE DE LIBERTAD FINANCIERA 1. Introduccio n El propósito de este reporte es describir de manera detallada un diagnóstico de su habilidad para generar ingresos pasivos, es decir, ingresos

Más detalles

Población, Unidad de Análisis, Criterios de Inclusión y Exclusión.

Población, Unidad de Análisis, Criterios de Inclusión y Exclusión. Población Población, Unidad de Análisis, Criterios de Inclusión y Exclusión. Muestra: Identificación y Reclutamiento. Nomenclatura En esta aproximación conceptual consideraremos a Población como sinónimo

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA INFERENCIA ESTADÍSTICA Pensemos en los tres siguientes ejemplos: Hacemos una encuesta entre los clientes de una tienda para preguntarles su opinión sobre cambios generales que pretendemos hacer en diversas

Más detalles

Introducción a la estadística y SPSS

Introducción a la estadística y SPSS Introducción a la estadística y SPSS Marcelo Rodríguez Ingeniero Estadístico - Magister en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I

Más detalles

Vale la pena estudiar? II El extraño caso de la FP

Vale la pena estudiar? II El extraño caso de la FP educación 02 Vale la pena estudiar? II El extraño caso de la FP por Samuel Bentolila (CEMFI) noviembre de 2011 Aparentemente, en este país muchos jóvenes piensan que estudiar es un timo 1. Tanto si esto

Más detalles

Las razones financieras ayudan a determinar las relaciones existentes entre diferentes rubros de los estados financieros

Las razones financieras ayudan a determinar las relaciones existentes entre diferentes rubros de los estados financieros Razones financieras Uno de los métodos más útiles y más comunes dentro del análisis financiero es el conocido como método de razones financieras, también conocido como método de razones simples. Este método

Más detalles

Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos

Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 1 Conjuntos y Subconjuntos

Más detalles

Programa para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones

Programa para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones Fracciones. Las fracciones y los números Racionales Las fracciones se utilizan cotidianamente en contextos relacionados con la medida, el reparto o como forma de relacionar dos cantidades. Tenemos entonces

Más detalles

ESTUDIOS ESTUDIO 2 Y SI ESTAMOS CRECIENDO MÁS? DE COMO UN AÑO BASE INAPROPIADO SUBESTIMA EL CRECIMIENTO DEL PBI. iefe

ESTUDIOS ESTUDIO 2 Y SI ESTAMOS CRECIENDO MÁS? DE COMO UN AÑO BASE INAPROPIADO SUBESTIMA EL CRECIMIENTO DEL PBI. iefe ESTUDIOS ESTUDIO 2 Y SI ESTAMOS CRECIENDO MÁS? DE COMO UN AÑO BASE INAPROPIADO SUBESTIMA EL CRECIMIENTO DEL PBI 42 Contenidos Midiendo el crecimiento... 43 Laspeyres que nos tiene atados... 43 El PBI real

Más detalles

Profr. Efraín Soto Apolinar. Factorización

Profr. Efraín Soto Apolinar. Factorización Factorización La factorización es la otra parte de la historia de los productos notables. Esto es, ambas cosas se refieren a las mismas fórmulas, pero en los productos notables se nos daba una operación

Más detalles

ERRORES CONCEPTUALES DE ESTADÍSTICA EN ESTUDIANTES

ERRORES CONCEPTUALES DE ESTADÍSTICA EN ESTUDIANTES ERRORES CONCEPTUALES DE ESTADÍSTICA EN ESTUDIANTES DE BÁSICA PRIMARIA EN LA CIUDAD DE PEREIRA José R. Bedoya Universidad Tecnológica de Pereira Pereira, Colombia La formación estadística en la ciudadanía,

Más detalles

Ciudad de Guatemala, 2013

Ciudad de Guatemala, 2013 Ciudad de Guatemala, 2013 1 Clase 5 Muestreo y tamaño de muestra Diego Aycinena diegoaa@ufm.edu Universidad Francisco Marroquín 2 Clases (Profesores) Horario Actividades en Grupo (Todos) Trabajo en Grupo

Más detalles

Noviembre 2013. Primera edición del informe sobre la situación ambiental de las organizaciones en México

Noviembre 2013. Primera edición del informe sobre la situación ambiental de las organizaciones en México viembre 2013 Primera edición del informe sobre la situación ambiental de las organizaciones en México Resumen ejecutivo Preparado por: Contenido Introducción... 3 tuación actual... 4 Desarrollo del informe...

Más detalles

Evaluación de políticas públicas con enfoque de género: 29 de septiembre 2010. Ponencia Susan W. Parker.

Evaluación de políticas públicas con enfoque de género: 29 de septiembre 2010. Ponencia Susan W. Parker. Evaluación de políticas públicas con enfoque de género: 29 de septiembre 2010 Ponencia Susan W. Parker. Agradezco muchísimos la invitación de participar y lamento profundamente no poder acompañarlos, me

Más detalles

El proceso de investigación científica

El proceso de investigación científica El proceso de investigación científica Contenidos 1. Investigación, generación de conocimiento, la ciencia en Psicología 7 2. Función de la Estadística en Psicología 8 3. Conceptos estadísticos básicos

Más detalles

290 SOBRE LAS FORMAS DE SEGUNDO GRADO.

290 SOBRE LAS FORMAS DE SEGUNDO GRADO. 290 SOBRE LAS FORMAS DE SEGUNDO GRADO. Sobre el númerodeclasesambiguas. 257. Entre todas las clases en un orden dado con determinante dado, las clases ambiguas especialmente demandan un tratamiento mayor,

Más detalles

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 1 1 BASES DE DATOS DISTRIBUIDAS TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 3.1 Metodología del procesamiento de consultas distribuidas 3.2 Estrategias de

Más detalles

La maximización de los beneficios y la oferta competitiva. Por: Julián Ochoa y Tomás Mogollón.

La maximización de los beneficios y la oferta competitiva. Por: Julián Ochoa y Tomás Mogollón. La maximización de los beneficios y la oferta competitiva. Por: Julián Ochoa y Tomás Mogollón. Los Mercados perfectamente competitivos El modelo de la competencia perfecta se basa en tres supuestos básicos:

Más detalles

Continuidad y ramas infinitas. El aumento A producido por cierta lupa viene dado por la siguiente ecuación: A = 2. lm í

Continuidad y ramas infinitas. El aumento A producido por cierta lupa viene dado por la siguiente ecuación: A = 2. lm í Unidad. Límites de funciones. Continuidad y ramas infinitas Resuelve Página 7 A través de una lupa AUMENTO DISTANCIA (dm) El aumento A producido por cierta lupa viene dado por la siguiente ecuación: A

Más detalles

NORMA INTERNACIONAL DE AUDITORÍA 320 IMPORTANCIA RELATIVA O MATERIALIDAD EN LA PLANIFICACIÓN Y EJECUCIÓN DE LA AUDITORÍA (NIA-ES 320)

NORMA INTERNACIONAL DE AUDITORÍA 320 IMPORTANCIA RELATIVA O MATERIALIDAD EN LA PLANIFICACIÓN Y EJECUCIÓN DE LA AUDITORÍA (NIA-ES 320) NORMA INTERNACIONAL DE AUDITORÍA 320 IMPORTANCIA RELATIVA O MATERIALIDAD EN LA PLANIFICACIÓN Y EJECUCIÓN DE LA AUDITORÍA (NIA-ES 320) (adaptada para su aplicación en España mediante Resolución del Instituto

Más detalles

Módulo financiero 1. Hablemos de Finanzas. Programa de Educación Financiera

Módulo financiero 1. Hablemos de Finanzas. Programa de Educación Financiera Módulo financiero 1 Hablemos de Finanzas Programa de Educación Financiera PROGRAMA DE EDUCACIÓN FINANCIERA bancodesarrollo Módulo 1 HABLEMOS DE FINANZAS Autor: bancodesarrollo Intermediación pedagógica:

Más detalles

Hipótesis Alternativa: Afirmación sobre las posibles alternativas que se tienen a la afirmación hecha en la hipótesis nula.

Hipótesis Alternativa: Afirmación sobre las posibles alternativas que se tienen a la afirmación hecha en la hipótesis nula. PRUEBA DE HIPÓTESIS Introducción (10 min) En el mundo de las finanzas, la administración y la economía tan importante como saber hacer y entender a cabalidad las estimaciones que nos ayudaran a la toma

Más detalles

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica.

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica. Las variables de un estudio. La variable es determinada característica o propiedad del objeto de estudio, a la cual se observa y/o cuantifica en la investigación y que puede variar de un elemento a otro

Más detalles

Ciudad de Guatemala, 2013 Twitter: @JPAL_LAC

Ciudad de Guatemala, 2013 Twitter: @JPAL_LAC Ciudad de Guatemala, 2013 Twitter: @JPAL_LAC 1 Sesión 2 Resultados, Indicadores y Midiendo Impacto M a g d a l e n a V a l d é s mvaldes@povertyactionlab.org J-PAL LAC 2 Clases (Profesores) H o r a r i

Más detalles

MODELOS DE RECUPERACION

MODELOS DE RECUPERACION RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN INGENIERÍA INFORMÁTICA RECUPERACIÓN Y ACCESO A LA INFORMACIÓN MODELOS DE RECUPERACION AUTOR: Rubén García Broncano NIA 100065530 grupo 81 1 INDICE 1- INTRODUCCIÓN

Más detalles

1.3 Números racionales

1.3 Números racionales 1.3 1.3.1 El concepto de número racional Figura 1.2: Un reparto no equitativo: 12 5 =?. Figura 1.3: Un quinto de la unidad. Con los números naturales y enteros es imposible resolver cuestiones tan simples

Más detalles

Capítulo 3. Estimación de elasticidades

Capítulo 3. Estimación de elasticidades 1 Capítulo 3. Estimación de elasticidades Lo que se busca comprobar en esta investigación a través la estimación econométrica es que, conforme a lo que predice la teoría y lo que ha sido observado en gran

Más detalles

El rincón de los problemas

El rincón de los problemas Marzo de 2010, Número 21, páginas 165-172 ISSN: 1815-0640 El rincón de los problemas Pontificia Universidad Católica del Perú umalasp@pucp.edu.pe De lo particular a lo general, usando grafos Problema En

Más detalles

POR QUÉ EL VALOR PRESENTE NETO CONDUCE A MEJORES DECISIONES DE INVERSIÓN QUE OTROS CRITERIOS? ( Brealey & Myers )

POR QUÉ EL VALOR PRESENTE NETO CONDUCE A MEJORES DECISIONES DE INVERSIÓN QUE OTROS CRITERIOS? ( Brealey & Myers ) CAPÍTULO 5 POR QUÉ EL VALOR PRESENTE NETO CONDUCE A MEJORES DECISIONES DE INVERSIÓN QUE OTROS CRITERIOS? ( Brealey & Myers ) Ya hemos trabajado antes con los principios básicos de la toma de decisiones

Más detalles

PROPUESTAS COMERCIALES

PROPUESTAS COMERCIALES PROPUESTAS COMERCIALES 1. Alcance... 2 2. Entidades básicas... 2 3. Circuito... 2 3.1. Mantenimiento de rutas... 2 3.2. Añadir ofertas... 5 3.2.1. Alta desde CRM... 5 3.2.2. Alta desde el módulo de Propuestas

Más detalles

www.dublino.es TIVIDAD MEJORAR LA PRODUCTIVIDAD LA PRODUCTIVIDAD, NO ES OPCIONAL (! Es una necesidad!) ( La medimos?)

www.dublino.es TIVIDAD MEJORAR LA PRODUCTIVIDAD LA PRODUCTIVIDAD, NO ES OPCIONAL (! Es una necesidad!) ( La medimos?) MEJORAR LA PRODUCTIVIDAD LA PRODUCTIVIDAD, NO ES OPCIONAL (! Es una necesidad!) ( La medimos?) Hacer MAS con MENOS, este es el mundo de ahora Hablamos quizás de reducir costes, para que, añadiéndolo a

Más detalles

5. PRESUPUESTO (GASTOS)

5. PRESUPUESTO (GASTOS) INSTRUCCIONES: LEER ESTO ANTES DE LLENAR EL PRESUPUESTO Antes de llenar la forma, necesitas hacer una investigación de tus gastos, estos son los datos más importantes de la solicitud, revisa la información

Más detalles

Gestión de Proyectos

Gestión de Proyectos Universidad de la República Unidad de Capacitación Programa de Gestión Universitaria Universidad de la República Unidad de Capacitación José Jorge (Tito) Martínez Fontana Programa de Gestión Universitaria

Más detalles

2. ABRIR UN NUEVO DOCUMENTO DE TRABAJO

2. ABRIR UN NUEVO DOCUMENTO DE TRABAJO 2. ABRIR UN NUEVO DOCUMENTO DE TRABAJO 18 Introducción Hasta ahora hemos visto como abrir una imagen para tratarla en Photoshop CS3, y a guardarla en cualquiera de los estados en los que se encuentre en

Más detalles

CAPITULO 1 INTRODUCCIÓN. Puesta en Evidencia de un circulo virtuoso creado por los SRI entre los Mercados Financieros y las Empresas

CAPITULO 1 INTRODUCCIÓN. Puesta en Evidencia de un circulo virtuoso creado por los SRI entre los Mercados Financieros y las Empresas CAPITULO 1 INTRODUCCIÓN 16 Capítulo I: Introducción 1.1 Breve descripción del proyecto: Nuestro proyecto de tesis trata de mostrar el círculo virtuoso que se produce entre los instrumentos de inversión

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,

Más detalles

TASACION DE INMUEBLES URBANOS

TASACION DE INMUEBLES URBANOS TASACION DE INMUEBLES URBANOS Estadística para Tasadores A tener en cuenta Toda muestra de datos será incompleta Toda muestra es aleatoria Datos desordenados no sirven Calcular valores típicos Encontrar

Más detalles

Importancia de la investigación clínica EN ONCOLOGÍA. ONCOvida. oncovida_20.indd 1 10/10/11 12:53

Importancia de la investigación clínica EN ONCOLOGÍA. ONCOvida. oncovida_20.indd 1 10/10/11 12:53 Importancia de la investigación clínica EN ONCOLOGÍA 20 ONCOvida C O L E C C I Ó N oncovida_20.indd 1 10/10/11 12:53 ONCOvida C O L E C C I Ó N oncovida_20.indd 2 10/10/11 12:53 1 2 3 4 5 6 7 Por qué es

Más detalles

Lea esto primero! un estudio de investigación sobre pruebas de VIH que se realizan en la comodidad de su hogar TEST. REPLY. KNOW.

Lea esto primero! un estudio de investigación sobre pruebas de VIH que se realizan en la comodidad de su hogar TEST. REPLY. KNOW. un estudio de investigación sobre pruebas de VIH que se realizan en la comodidad de su hogar Lea esto primero! TEST. REPLY. KNOW. Bienvenido a KNOWatHOME! El estudio de investigación KNOWatHOME lo conduce

Más detalles

Los estados financieros proporcionan a sus usuarios información útil para la toma de decisiones

Los estados financieros proporcionan a sus usuarios información útil para la toma de decisiones El ABC de los estados financieros Importancia de los estados financieros: Aunque no lo creas, existen muchas personas relacionadas con tu empresa que necesitan de esta información para tomar decisiones

Más detalles

QUE MUEVE TU ESCALERA?

QUE MUEVE TU ESCALERA? 2016 QUE MUEVE TU ESCALERA? La revelación de este libro está centrado en examinar en detalle cada uno de los desafíos que tiene un líder y que tendrá que dominarlos: 1. ENFOQUE Encontrar el enfoque no

Más detalles

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 TEMA 11: MÉTODOS DINÁMICOS DE SELECCIÓN DE INVERSIONES ESQUEMA DEL TEMA: 11.1. Valor actualizado neto. 11.2. Tasa interna

Más detalles