Estadística Grado en Nutrición Humana y Dietética
|
|
- Milagros San Segundo Nieto
- hace 7 años
- Vistas:
Transcripción
1 Estadística Grado en Nutrición Humana y Dietética Tema 5: Introducción al Muestreo Estadístico Francisco M. Ocaña Peinado Departamento de Estadística e Investigación Operativa Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
2 Tema 5: Introducción al Muestreo Estadístico 1 Introducción 2 Tipos de Muestreo 3 Métodos de muestreo no probabilístico 4 Métodos de muestreo probabilístico 5 Determinación del tamaño de la muestra 6 Un ejemplo de aplicación de las técnicas de muestreo 7 Bibliografía Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
3 Cómo surge el muestreo? Estrategias en investigación con poblaciones Existen 2 estrategias posibles para la recopilación de datos: Examinar todas las unidades de la población, es decir, realizar un censo. Examinar según unos planes establecidos con anterioridad, ciertas unidades de la población (muestra), y suponer que los resultados obtenidos son representativos de toda la población. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
4 Por que utilizar muestras? Razones para uso de muestras Hay ocasiones en las que no queda otra solución que la elección de una muestra debido a que: La población es tan grande que excede las posibilidades del investigador. La población es suficientemente homogénea como para que cualquier muestra dé una buena representación. El proceso de medida o investigación es destructivo. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
5 Definición y cuestiones clave Definición Muestreo: técnica estadística cuyo objetivo es obtener muestras representativas de una población para realizar inferencia acerca de parámetros poblacionales Cuestiones relevantes en Muestreo Cuando se plantea la toma de muestras surgen dos preguntas: (a) Cómo incluir los individuos en la muestra? (b) Cuántos individuos debo incluir en la muestra? Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
6 Notación Conceptos básicos A continuación definiremos algunos de los conceptos básicos en Muestreo Población o Universo: Conjunto de unidades con características comunes de las cuáles se desea obtener cierta información. P = {u 1, u 2,..., u N } Pueden ser personas, familias, viviendas, escuelas, empresas, etc. y la información deseada, el consumo medio por familia de un alimento, el número total de personas con sobrepeso, el porcentaje de personas con obesidad... Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
7 Notación Conceptos básicos Muestra: Subconjunto de unidades de la población de las cuales se obtiene la información. Se supone que este subconjunto es representativo de todo el total. Marco: Conjunto real de unidades a partir del cual se selecciona la muestra. Es necesario que se ajuste lo mejor posible al conjunto ideal que constituye la población. Tamaño de la población es el número N de unidades que forman la población Tamaño de la muestra es el número n de unidades seleccionadas para la muestra. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
8 Notación Conceptos básicos Factor de elevación: es el cociente entre el tamaño de la población y el tamaño de la muestra, N n. Representa el número de elementos que hay en la población por cada elemento de la muestra. Fracción o Factor de muestreo: es el cociente f, entre el tamaño de la muestra y el tamaño de la población, f = n N. Si se multiplica por 100, obtenemos el porcentaje de la población al que representa la muestra. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
9 Estimadores y Propiedades Propiedades de estimadores Si θ es un estimador del parámetro poblacional θ, se desean al menos dos propiedades para θ: a) θ sea insesgado: E( θ) = θ. b) θ tenga mínima varianza, es decir que proporcione estimaciones cercanas al parámetro θ al que estima. Se medirá la precisión de los estimadores θ por su varianza, V ( θ) o por su error estándar V ( θ) Inconveniente Problema: V ( θ) no es calculable, por lo que en los métodos de muestreo que se tratarán, se darán estimaciones de V ( θ), que se denominarán V ( θ). Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
10 Construcción de Intervalos de Confianza Para estimar parámetros, es muy recomendable utilizar intervalos de confianza (recordemos, un intervalo al que pertenezca el parámetro con una probabilidad dada). La idea es: Si el tamaño de la muestra es suficientemente grande (n 30), se obtiene el intervalo de confianza a nivel 100(1 α)% como: ) ( θ z α/2 V ( θ), θ + zα/2 V ( θ) (1) donde θ es el estimador de cualquiera de los parámetros que interese estimar Si el tamaño de muestra es pequeño, (n < 30), se sustituye en la expresión anterior del intervalo el valor z α, por el valor t n 1;α/2 quedando: ) ( θ t n 1;α/2 V ( θ), θ + tn 1;α/2 V ( θ) (2) Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
11 Construcción de Intervalos de Confianza De forma resumida S.E.(estimador) es el error estándar del estimador, que en nuestro caso es la raíz cuadrada de la estimación de la varianza Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
12 Tipos de Muestreo Tipos de Muestreo Muestreo probabiĺıstico o aleatorio: Todos los individuos de la población pueden formar parte de la muestra, por tanto es el tipo de muestreo que se debe usar en investigación, al ser riguroso y científico. Muestreo no probabiĺıstico o no aleatorio: Existe influencia de la persona o personas que seleccionan la muestra o simplemente se realiza atendiendo a razones de comodidad, por lo que carece de una base teórica satisfactoria. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
13 Métodos de muestreo no probabilístico Algunos tipos de Muestreo no probabilístico a) Muestreo por cuotas o accidental: Se fijan unas cuotas que consisten en un número de individuos que reúnen unas determinadas condiciones. Una vez determinada la cuota, se eligen los primeros que se encuentren que cumplan esas características. b) Muestreo opinático o intencional:esfuerzo deliberado por obtener muestras representativas mediante la inclusión en la muestra de grupos supuestamente típicos. c) Muestreo incidental o de conveniencia: Se trata de un proceso en el que el investigador selecciona directa e intencionadamente los individuos de la población. d) Muestreo bola de nieve: Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y así hasta conseguir una muestra suficiente. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
14 Métodos de muestreo probabilístico Métodos de muestreo probabilístico 1 Muestreo Aleatorio Simple (sin reemplazamiento). 2 Muestreo Sistemático. 3 Muestreo Estratificado Aleatorio. 4 Muestreo por Conglomerados. En cuanto a los parámetros a estimar: X i i=1 1 X Total Poblacional de una característica. X = N 2 X Media Poblacional de una característica. X = X N 3 P Proporción de la población que posee una característica. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
15 Muestreo Aleatorio Simple: Procedimiento M.A.S. Se parte de una población de N unidades de la cual extraemos una muestra de tamaño n. Extraemos sucesiva e independientemente las unidades con probabilidades iguales, en cada extracción esa probabilidad es: 1 N t t = 0, 1,..., n 1 Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
16 Muestreo Aleatorio Simple: Procedimiento M.A.S. 1) Se asigna un número a cada individuo de la población 2) A través de algún medio (tablas, calculadora, ordenador...) se generan números aleatorios y se eligen tantos individuos como sea necesario para completar el tamaño de muestra requerido Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
17 Muestreo aleatorio simple Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
18 Muestreo aleatorio simple Ejemplo Imagínese que hay de recoger una muestra de n = 20 enfermos de un hospital donde hay N = 600. Se parte de un listado completo de los 600 enfermos. Se seleccionaría un enfermo al azar, con probabilidad de elegirlo La probabilidad de escoger al 2 o enfermo sería ya de 1 599, y así sucesivamente con el resto. La elección al azar de los enfermos de la muestra a partir de la lista, se llevaría a cabo mediante números aleatorios. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
19 Estimadores y sus varianzas. Intervalos de confianza Los estimadores de los parámetros de interés, X, X y P son respectivamente: donde x es la media muestral, con: X = x = n i=1 X = Nx n P = A i i=1 n x i n A i = { 1 si el individuo posee la característica 0 si el individuo no posee la característica (3) Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
20 Estimadores y sus varianzas. Intervalos de confianza Varianza de estimadores Las varianzas se estiman a partir de s 2, siendo respectivamente: V ( X ) = N 2 V ( X ) con: Q = 1 P f = n N Construcción de I.C. V ( X ) = (1 f ) ŝ2 n ŝ 2 = P Q V ( P) = (1 f ) n 1 n (x i x) 2 i=1 n 1 En cuanto a los I.C. para los parámetros de interés, se construyen según sea el tamaño de muestra, a partir de las expresiones vistas al principio del tema (para m.a.s y para cualquiera de los otros tipos de muestreo probabĺıstico que se estudiarán más adelante) Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
21 Muestreo Sistemático: Procedimiento Muestreo sistemático Se parte de una población de N unidades numeradas. Para tomar una muestra de n unidades (con N = nk), se toma al azar una unidad entre las primeras k unidades, y de ahí en adelante se toma cada k-ésima unidad. Ventajas respecto al m.a.s. Más fácil y rápido obtener la muestra. Ninguna sucesión grande de elementos de la lista se queda sin representación. Consecuencia: puede ser más representativo que el m.a.s. Inconvenientes respecto al m.a.s. Estimaciones sesgadas si existe periodicidad en la numeración de los elementos. Problemas de estimación de la varianza. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
22 Muestreo Sistemático Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
23 Muestreo Sistemático: Ejemplo Ejemplo Imagínese que hay de recoger una muestra de n = 20 enfermos de un hospital donde hay N = 600. Se parte de un listado completo de los 600 enfermos. Como hay que seleccionar 20 enfermos de 600, es decir, 1 de cada 30, se procede eligiendo uno al azar, por ejemplo el enfermo n o 27, y luego los demás se eligen a partir de este a intervalos de 30 enfermos. Se seleccionaría por tanto a los enfermos: 27, 57, 87, 117, 147, 177, 207, 237, 267, 297, 327, 357, 387, 417, 447, 477, 507, 537, 567, 597 Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
24 Estimadores y sus varianzas. Intervalos de confianza Semejanzas entre muestreo sistemático y m.a.s. El muestreo sistemático es equivalente al m.a.s. si los elementos se encuentran enumerados de manera aleatoria Por ello para estimación los parámetros de interés y construcción de I.C., se usan las fórmulas del m.a.s. ya vistas anteriormente Para estimar la varianza de los estimadores, aunque existen métodos específicos, es común el uso de las fórmulas del m.a.s. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
25 Muestreo Estratificado Aleatorio: Idea General Conceptos Objetivo: Aumentar la precisión de los estimadores para un tamaño dado de la muestra frente a m.a.s. o sistemático Se consideran categorías diferentes entre sí (estratos) con homogeneidad respecto a alguna característica Se pretende asegurar que todos los estratos estarán representados adecuadamente en la muestra Dentro de cada estrato se estima independientemente, pudiendo aplicarse dentro de ellos el m.a.s. u otro tipo de muestreo para elegir los elementos de la muestra. En nuestro caso: m.a.s. dentro de cada estrato Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
26 Muestreo Estratificado Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
27 Muestreo Estratificado Aleatorio: Idea General Planteamiento Población de tamaño N dividida en L subpoblaciones de tamaños N 1, N 2,..., N L de forma que: N 1 + N N L = L N h = N Cada una de las subpoblaciones son los estratos. Para obtener una muestra de tamaño n, se toma en cada estrato una muestra aleatoria de tamaño n h, de manera que: L n 1 + n n L = n h = n h=1 h=1 Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
28 Muestreo Estratificado Aleatorio: Ventajas e Inconvenientes Ventajas Obtención de información dentro de las subpoblaciones sobre la característica objeto del estudio Aumento de la precisión de los estimadores Inconvenientes La elección del tamaño de las muestras dentro de cada estrato para que el total sea n En la práctica, la división en estratos en algunas poblaciones puede no ser sencilla. En general, este tipo de muestreo mejora al m.a.s. cuanto más diferentes sean los estratos entre sí y más homogéneos internamente Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
29 Elección del tamaño muestral en los estratos: Afijación Concepto de afijación Se denomina afijación, a la asignación del tamaño muestral n entre los diferentes estratos, es decir a la elección de los valores n h de forma que la suma sea n. Criterios de afijación 1. Afijación uniforme: todos los n h son iguales: n h = n L 2. Afijación proporcional: n h es proporcional al tamaño de cada estrato: n h = N h n N a partir de n N = n h N h Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
30 Afijación: Ejemplo Afijación uniforme Imagínese que hay que tomar una muestra de n = 20 enfermos de un hospital donde hay N = 600. Supóngase que se tiene: 100 niños, 150 jóvenes, 150 adultos y 200 ancianos 1. Afijación uniforme: n h = n L = 20 4 = 5 h = 1, 2, 3, 4 Muestra formada por 5 niños, 5 jóvenes, 5 adultos y 5 ancianos Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
31 Afijación: Ejemplo Afijación proporcional 2. Afijación proporcional: n N = n h N h Primer estrato (niños): Segundo estrato (jóvenes): = n1 n1 = 3.3 enfermos 3 enfermos = n2 n2 = 5 enfermos 150 Tercer estrato (adultos), igual que el anterior n 3 = 5 enfermos Cuarto estrato (ancianos): n 4 = Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
32 Notación en Muestreo Estratificado Notación Se utilizará el subíndice h para indicar el estrato. N h número total de unidades en el estrato h n h número de unidades de la muestra del estrato h f h = n h N h fracción de muestreo en el estrato h w h = N h N ponderación del estrato h x h media muestral del estrato h ŝh 2 cuasivarianza muestral del estrato h P h proporción muestral en el estrato h Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
33 Estimadores de los Parámetros Estimadores Los estimadores de los parámetros de interés, X, X y P son: X st = 1 N L N h x h = h=1 X st = N X st = P st = 1 N L w h x h h=1 L N h x h h=1 L N h Ph = h=1 L w h Ph h=1 Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
34 Estimación de la Varianza de los Estimadores Estimación de la Varianza de los Estimadores V ( X st ) = 1 N 2 L h=1 N h (N h n h ) ŝ2 h n h = V ( X st ) = N 2 V ( X st ) V ( Pst ) = L h=1 L h=1 w 2 h (1 f h ) ŝ2 h n h w 2 h (1 f h ) P h Qh n h 1 Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
35 Muestreo por conglomerados Idea general División previa de la población en grupos, denominados conglomerados, de los cuales se selecciona cierto número, por lo que será necesario disponer de la lista de ellos. Si seleccionados algunos conglomerados, la muestra está formada por todas las unidades que componen el conglomerado, se denomina muestreo por conglomerados en una etapa. Requisito: que los elementos del conglomerado sean muy heterogéneos entre sí, (idea opuesta a la del muestreo estratificado). Extensa teoría de este tipo de muestreo: bietápico, trietápico, polietápico... También según sean los tamaños de los conglomerados (distintos, iguales, desconocidos, etc...). Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
36 Muestreo por Conglomerados Ejemplo Supóngase que se desea extraer una muestra aleatoria de enfermos de un país. Muy difícil realizar un m.a.s., sistemático o estratificado. Supóngase también que los enfermos están clasificados por regiones, provincias y hospitales Muestreo conglomerados: Muestreo de algunas regiones, después muestreo de algunas provincias, después de algunos hospitales y dentro de los hospitales, de algunos enfermos por muestreo aleatorio simple Muestreo por conglomerados en 3 etapas (conglomerados son unidades amplias y heterogéneas) Nuestro caso: Muestreo por conglomerados en una etapa sería seleccionar mediante m.a.s., una muestra de hospitales, para a continuación analizar a todos los enfermos de ese hospital Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
37 Muestreo por conglomerados en una etapa Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
38 Muestreo por conglomerados en una etapa Notación N Número de conglomerados en la población. n Número de conglomerados en la muestra. m i Número de elementos en el conglomerado i, i = 1, 2,..., N M = N m i número de elementos en la población. i=1 x ij valor de la variable en la unidad j del i-ésimo conglomerado. X i = m i x ij total de la variable en el i-ésimo conglomerado. j=1 Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
39 Estimadores y sus varianzas Estimadores de parámetros P = A i i=1 X = x = n X i i=1 n X = Mx m i i=1 n m i donde A n i = A ij i = 1, 2,..., n j = 1, 2,..., m m i j=1 i=1 A ij = { 1 si el individuo posee la característica 0 si el individuo no posee la característica (4) Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
40 Estimadores y sus varianzas Estimación de la Varianza de los Estimadores V ( X ) = N(N n) M 2 n 1 n 1 n (X i xm i ) 2 i=1 V ( X ) = M 2 V ( X ) V ( P) = N(N n) M 2 n 1 n 1 n (A i Pm i ) 2 Si n es grande, puede ser práctico en el cálculo de V ( X ) desarrollar el cuadrado de la diferencia: V ( X ) = = N(N n) M 2 n N(N n) M 2 n i=1 1 n (X i xm i ) 2 = n 1 i=1 ( n 1 n Xi 2 2x X i m i + x 2 n 1 i=1 i=1 n i=1 m 2 i ) Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
41 Resumen de tipos de muestreo probabilístico M.A.S. M. Sistemático M. Estratificado M. Conglomerados Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
42 Determinación del tamaño de la muestra Tamaño de muestra a tomar La decisión es importante, ya que una muestra demasiado grande desperdicia recursos, y demasiado pequeña disminuye la utilidad de los resultados. Únicamente se estudirá el caso del m.a.s. Objetivo: Determinar el tamaño muestral necesario, para estimar un parámetro con un cierto nivel de confianza, a partir de un nivel de tolerancia o error prefijado. Notación θ parámetro a estimar δ error máximo admisible, es la amplitud del intervalo de confianza. δ = θ θ máxima diferencia entre estimación y valor verdadero. (1 α) probabilidad de que el parámetro esté en el intervalo. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
43 Determinación del tamaño de la muestra Para estimar una media poblacional X A partir de: n 0 = z2 α/2 S 2 δ 2 se ajusta ese tamaño n 0 al caso de una población finita: n = n n0 N donde: S 2 es la varianza poblacional (estimada mediante ŝ 2, o conocida de estudios previos) z α/2 el valor de una v.a. Normal estándar que deja a su derecha un área α/2. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
44 Determinación del tamaño de la muestra Para estimar un total poblacional X El tamaño de muestra n es: n = n n0 N n 0 = N 2 z2 α/2 S 2 δ 2 donde, de nuevo: S 2 es la varianza poblacional (estimada mediante ŝ 2, o conocida de estudios previos) z α/2 el valor de una v.a. Normal estándar que deja a su derecha un área α/2. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
45 Determinación del tamaño de la muestra Para estimar una proporción poblacional P donde: n = n n0 N con n 0 = z2 α/2 PQ δ 2 P y Q son parámetros poblacionales que se estiman con P y Q, por estudios previos, o mediante muestra piloto. Si no hay información disponible, tomar P = Q = 0.5 (criterio de máxima indeterminación) z α/2 el valor de una v.a. Normal estándar que deja a su derecha un área α/2. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
46 Ejemplo Estudio acerca de la obesidad y el sedentarismo en un centro escolar. Variables del estudio: X Cantidad de colesterol en sangre en mg/dl. Y Número de horas semanales de videoconsola y TV. Z Práctica regular de deporte (1 = SI, 0 = NO). C Posesión de videoconsola (1 = SI, 0 = NO). Tamaño muestra: n = 60. Tamaño Población: N = 544 Grupo A Grupo B Grupo C Grupo D Grupo E TOTAL Curso Curso Curso Curso Curso Curso Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
47 Muestreo estratificado aleatorio I Para n = 60, se debe decidir la afijación. Se tienen 6 estratos con los siguientes tamaños: Estrato N h 1 N 1 = 53 2 N 2 = 65 3 N 3 = 75 4 N 4 = 79 5 N 5 = N 6 = 127 Sería deseable que los tamaños de los estratos guarden la mismas proporciones que los tamaños de los estratos Afijación proporcional n h = N h n N n 1 = 53 n 2 = = 5.84 n 1 = = 7.16 n 2 = 8 Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
48 Muestreo estratificado aleatorio II n 3 = 75 n 4 = 79 n 5 = 145 n 6 = = 8.27 n 3 = = 8.71 n 4 = = n 5 = = n 6 = 14 A partir de los datos del manual, se calculan las medias y cuasivarianzas en cada estrato, así como f h y w h Estrato x h ŝ 2 h 1 x 1 = ŝ 2 1 = x 2 = ŝ 2 2 = x 3 = ŝ 2 3 = x 4 = ŝ 2 4 = x 5 = ŝ 2 5 = x 6 = ŝ 2 6 = Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
49 Muestreo estratificado aleatorio III Estrato w h = N h wh 2 f h = n h N N h 1 f h Estimación de la media X L st = w h x h = 1 L N h x h = 1 ( N 544 h=1 h= ) = Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
50 Muestreo estratificado aleatorio IV Estimación de la varianza V + ( X st) = L h=1 wh 2 (1 f h) ŝ2 h = ( n h = Se estima una cantidad media de colesterol en sangre de mg/dl con una varianza de (mg/dl) 2. I.C. para la media ( , ) ( , ) Así, se podría afirmar con un 95% de confianza que la media del colesterol está comprendida entre y Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
51 Muestreo por conglomerados en una etapa I Estimación de la proporción de Z y C para tamaño de muestra 60. Los grupos en las que está dividida la población se comportan como pequeñas poblaciones: conglomerado = grupo. Interesante por la facilidad de entrevistarlos. 2 ó 3 grupos asegurarían estar rondando el tamaño de muestra 60 m.a.s. 3 conglomerados (grupos) de entre todos los del centro. A partir de los datos del manual, se calcula la proporción para cada conglomerado y cada variable: Variable Z Variable C Conglomerado m i Total (Z i ) Proporción Total (C i ) Proporción Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
52 Muestreo por conglomerados en una etapa II Estimación de la proporción para Z P Z = n Z i i=1 = n m i i=1 3 Z i i=1 = 3 m i i= = por lo que se estima que el 7.35% de los alumnos practica deporte regularmente Estimación de la varianza para P Z V ( P Z ) = = N(N n) nm 2 1 n 1 21(21 3) 3(544) n (Z i P z m i ) 2 = i=1 [ ( ) 2 + ( ) 2 + ( ) 2] = Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
53 Muestreo por conglomerados en una etapa III I.C. para P Z ( ) ( , ) Por lo que se estima, con una confianza del 95% que la proporción de personas que hace deporte está comprendida entre el 0.8% y el 13.85%. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
54 Trabajo autónomo Trabajo autónomo M. Estratificado Aleatorio: Obtener el I.C. para la media de Y (de forma análoga al llevado a cabo para la media de X ). Resultado a obtener: Y st = horas V ( Ŷ st ) = (horas) 2 siendo el I.C. al 95% para la media de Y : (7.2637, ) M. Conglomerados en una etapa: Obtener el I.C. para la proporción de C, (de forma análoga al llevado a cabo para Z). Resultados que se deben obtener se detallan abajo. P C = V ( PC ) = siendo el I.C. al 95% para P C : (0.6477, ) Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
55 Bibliografía Alba M. V. y Ruíz-Fuentes N. (2006): Muestreo estadístico en poblaciones finitas. Septem Ediciones, Oviedo. Azorín F. y Sánchez-Crespo J.L. (1994): Métodos y aplicaciones del muestreo. Alianza Universidad, Madrid. Fernández, F.R. y Mayor J.A. (1994): Muestreo en poblaciones finitas: Curso Básico. Editorial P.P.U. Barcelona. Rueda M. y Arcos A. (2004): Problemas de muestreo en poblaciones finitas. Grupo Editorial Universitario, Granada. Francisco M. Ocaña Peinado (UGR) TEMA 5 Curso 2015/ / 55
Matemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesCAPÍTULO I. INTRODUCCIÓN. Cuando se requiere obtener información de una población, y se desean obtener los mejores
CAPÍTULO I. INTRODUCCIÓN I.1 Breve Descripción Cuando se requiere obtener información de una población, y se desean obtener los mejores y más completos resultados, el censo es una opción para dar una respuesta
Más detallesMetodología de la Investigación [DII-711] Capítulo 7: Selección de la Muestra
Metodología de la Investigación [DII-711] Capítulo 7: Selección de la Muestra Dr. Ricardo Soto [ricardo.soto@ucv.cl] [http://www.inf.ucv.cl/ rsoto] Escuela de Ingeniería Informática Pontificia Universidad
Más detallesÁrea Académica: Gestión Tecnológica. Asignatura (Estadística para el Desarrollo Tecnológico, 3er Semestre) Tema: Muestra y Muestreo
Área Académica: Gestión Tecnológica. Asignatura (Estadística para el Desarrollo Tecnológico, 3er Semestre) Tema: Muestra y Muestreo Profesor: Dr. Ernesto Bolaños Rodríguez Periodo: Enero-Junio de 01 Tema:Sample
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesMuestreo. Tipos de muestreo. Álvaro José Flórez. Febrero - Junio Facultad de Ingenierías. 1 Escuela de Ingeniería Industrial y Estadística
Muestreo Tipos de muestreo Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Todos los métodos probabilísticos de muestreo están
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesNivel de Satisfacción en los afiliados. Régimen Estatal de Protección Social en Salud Zacatecas
Nivel de Satisfacción en los afiliados 2012 Régimen Estatal de Protección Social en Salud Zacatecas Nivel de Satisfacción de los Afiliados Justificación A fin de cumplir con los objetivos del Régimen Estatal
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesEJERCICIOS DE ESTADÍSTICA:
EJERCICIOS DE ESTADÍSTICA: 1º/ Una biblioteca desea estimar el porcentaje de libros infantiles que posee. La biblioteca está compuesta de 4 salas (orte, Sur, Este y Oeste) con 2500, 2740, 4000 y 6900 libros,
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detalles2.- Tablas de frecuencias
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesMUESTRA, es una parte de las unidades de la población a partir de ella se hace inferencias y pronósticos
MUESTREO 1. Mostrar los beneficios del muestreo 2. Analizar los tipos de muestreo 3. Aplicar las fórmulas de muestreo para poblaciones finitas e infinitas MUESTREO Una paso fundamental para realizar un
Más detallesCDEE. Cuestiones 3er Ejercicio. 0 si x 1. k(x + 1) + x2 1. k(x + 1) x si x > 1
CUESTIÓN 1: El tiempo de retraso, medido en minutos, del AVE Madrid-Sevilla sigue una variable aleatoria continua con función de distribución: 0 si x 1 F (x) = k(x + 1) + x2 1 2 si 1 < x 0 k(x + 1) x2
Más detallesDepartamento de Métodos Cuantitativos para la Economía y la Empresa
Departamento de Métodos Cuantitativos para la Economía y la Empresa Técnicas para el Análisis de Mercado NOMBRE: DNI: GRUPO: 1 (3 puntos) La empresa de productos de informática Watermellon quiere analizar
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesJuan Carlos Colonia INTERVALOS DE CONFIANZA
Juan Carlos Colonia INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA PARA LOS PARÁMETROS DE DOS POBLACIONES I.C. PARA EL COCIENTE DE VARIANZAS Sean X y dos muestras aleatorias,..., Xn Y,..., Yn independientes
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesA. Menéndez Taller CES 15_ Confiabilidad. 15. Confiabilidad
15. Confiabilidad La confiabilidad se refiere a la consistencia de los resultados. En el análisis de la confiabilidad se busca que los resultados de un cuestionario concuerden con los resultados del mismo
Más detallesESTUDIO CIS nº BARÓMETRO SANITARIO, 2013 (Tercera oleada) FICHA TÉCNICA DISEÑO MUESTRAL GENERAL DEL BARÓMETRO SOBRE EL SISTEMA SANITARIO.
ESTUDIO CIS nº 3002 BARÓMETRO SANITARIO, 2013 (Tercera oleada) FICHA TÉCNICA DISEÑO MUESTRAL GENERAL DEL BARÓMETRO SOBRE EL SISTEMA SANITARIO. 2013 Convenio: Ministerio de Sanidad, Servicios Sociales e
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesproporciones y para la Estadística II Equipo Docente: Iris Gallardo Andrés Antivilo Francisco Marro
Sesión 12 Intervalo de confianza para proporciones y para la razón de varianzas. IC para a una proporción poblacional o a Qué proporción de adolescentes presenta problemas de delincuencia en una comunidad
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesUNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,
Más detallesPregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24
Comenzado el lunes, 25 de marzo de 2013, 17:24 Estado Finalizado Finalizado en sábado, 30 de marzo de 2013, 17:10 Tiempo empleado 4 días 23 horas Puntos 50,00/50,00 Calificación 10,00 de un máximo de 10,00
Más detallesPOBLACIÓN Y MUESTREO. Metodología de la Investigación 7/11/08 Danny Freira
POBLACIÓN Y MUESTREO Metodología de la Investigación 7/11/08 Danny Freira Planificación Operativa En que consiste? En prever las operaciones que deberán realizarse para poner en práctica la estrategia
Más detallesLA ENCUESTA. Manuel Montañés Serrano
LA ENCUESTA INTRODUCCIÓN Para dar a conocer cómo se distribuye la población respecto a un significante socialmente cristalizados es adecuado recurrir a la explotación primaria de fuentes secundarias o
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesTEMA 2: INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA. Las principales ventajas de estudiar una población a partir de una muestra son:
TEMA 2: INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA 2.- Tipos de muestreo. Muestreo aleatorio Las principales ventajas de estudiar una población a partir de una muestra son: - Coste reducido: Si los datos
Más detallesPOBLACIÓN o UNIVERSO - Totalidad de unidades de análisis del conjunto a estudiar. - Conjunto de individuos, objetos, elementos o
Población y Muestra Lic. Silvia Beatriz D Angelo (U.N.N.E.; U.C.P.) Población y Unidad elemental POBLACIÓN o UNIVERSO - Totalidad de unidades de análisis del conjunto a estudiar. - Conjunto de individuos,
Más detallesPREELECTORAL ELECCIONES AUTONÓMICAS, 2011 (Comunidad Autónoma de Castilla-La Mancha)
PREELECTORAL ELECCIONES AUTONÓMICAS, 2011 (Comunidad Autónoma de Castilla-La Mancha) AVANCE DE RESULTADOS Estudio nº 2.877 Marzo-Abril 2011 FICHA TÉCNICA PREELECTORAL ELECCIONES AUTONÓMICAS, 2011 (Comunidad
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesIntervalos de Confianza para dos muestras
Intervalos de Confianza para dos muestras Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Comparación de dos poblaciones La comparación
Más detallesPREELECTORAL ELECCIONES AUTONÓMICAS, 2011 (Principado de Asturias) Estudio nº Marzo-Abril 2011
PREELECTORAL ELECCIONES AUTONÓMICAS, 2011 (Principado de Asturias) AVANCE DE RESULTADOS Estudio nº 2.873 Marzo-Abril 2011 FICHA TÉCNICA PREELECTORAL ELECCIONES AUTONÓMICAS, 2011 (Principado de Asturias)
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detalles8.2.5. Intervalos para la diferencia de medias de dos poblaciones
8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:
Más detallesCriterios del Registro Federal de Electores en materia de verificación del apoyo ciudadano para la Consulta Popular
Ejercicio muestral para corroborar la autenticidad de las firmas en las solicitudes de Consulta Popular El artículo 33 de la Ley General de Consulta Popular establece lo siguiente: Artículo 33. El Instituto,
Más detallesPREELECTORAL ELECCIONES AUTONÓMICAS Y MUNICIPALES, 2011 (Comunidad Valenciana y Ciudad de Valencia)
PREELECTORAL ELECCIONES AUTONÓMICAS Y MUNICIPALES, 2011 (Comunidad Valenciana y Ciudad de Valencia) AVANCE DE RESULTADOS Estudio nº 2.872 Marzo-Abril 2011 FICHA TÉCNICA PREELECTORAL ELECCIONES AUTONÓMICAS
Más detallesPrácticas de Ecología Curso 3 Práctica 1: Muestreo
PRÁCTICA 1: MUESTREO Introducción La investigación ecológica se basa en la medición de parámetros de los organismos y del medio en el que viven. Este proceso de toma de datos se denomina muestreo. En la
Más detallesDiseños de muestreo (II)
Diseños de muestreo (II) Muestreo estratificado El muestreo estratificado es un diseño de muestreo probabilístico en el que dividimos a la población en subgrupos o estratos. La estratificación puede basarse
Más detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
Más detallesMuestreo probabilístico. Estimadores
Capítulo 1 Muestreo probabilístico. Estimadores Como hemos definido anteriormente, el muestreo es el proceso que nos permite la extracción de una muestra a partir de una población. Dentro de este muestreo
Más detallesÍNDICES INTEGRADOS DE VOLUMEN, PRECIOS Y VALOR DE LA INDUSTRIA MANUFACTURERA
A. Definición: ÍNDICES INTEGRADOS DE VOLUMEN, PRECIOS Y VALOR DE LA INDUSTRIA MANUFACTURERA Los Índices Integrados de volumen, precios y valor de la Industria Manufacturera son medidas estadísticas diseñadas
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesPoblación finita. reemplazo sobre poblaciones de tamaño finito N.
Población finita 171 El TCL y las varianzas muestrales de medias y proporciones se basan en la premisa de muestras seleccionadas con reemplazo o de una población infinita. Sin embargo, en muchos estudios
Más detallesANEXO: ESTRUCTURA DE LA GUÍA DOCENTE
ANEXO: ESTRUCTURA DE LA GUÍA DOCENTE 1. TÉCNICAS DE INVESTIGACIÓN SOCIAL 1.1. Datos de la asignatura Tipo de estudios Titulación Nombre de la asignatura Carácter de la asignatura Licenciatura Investigación
Más detallesTeléfono:
Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:
Más detallesU.D.1: Análisis estadístico de una variable Consideraciones iniciales: Propuesta: 1.1 Distribución de frecuencias. Variables Cualitativas: Ejemplo
U.D.1: Análisis estadístico de una variable Consideraciones iniciales: - Población: Es el conjunto de todos los elementos que cumplen una determinada característica. Ej.: Alumnos del colegio. - Individuo:
Más detallesEstadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar
Estadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar Módulo 2. Estadística Descriptiva: Medidas de síntesis Mª Purificación Galindo Villardón Mª Purificación
Más detallesReporte de Pobreza por Ingresos JUNIO 2015
Reporte de Pobreza por Ingresos JUNIO 2015 1 Resumen Ejecutivo En el presente documento se exhiben los resultados obtenidos en el cálculo de pobreza y desigualdad por ingresos a partir de la Encuesta Nacional
Más detallesModelos de PERT/CPM: Probabilístico
INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO Modelos de PERT/CPM: Probabilístico M. En C. Eduardo Bustos Farías 1 Existen proyectos con actividades que tienen tiempos inciertos, es decir,
Más detallesCAPITULO V METODOLOGÍA DE LA INVESTIGACIÓN
CAPITULO V METODOLOGÍA DE LA INVESTIGACIÓN Población y Muestra: El tipo de investigación es un estudio correlacional que consiste en ver la relación entre la variable independiente y dependiente. La población
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Descriptiva Para Psicólogos (EST-225)
Más detallesCAPITULO III MARCO METODOLOGICO. Tipo de Investigación
CAPITULO III MARCO METODOLOGICO Tipo de Investigación En este aspecto usted debe describir el tipo de investigación, en el cual se ubica el estudio. Cada investigador podrá construir su método, de acuerdo
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesGRADO EN ECONOMIA SEGUNDO CURSO
GRADO EN ECONOMIA SEGUNDO CURSO Asignatura Estadística II Código 802354 Módulo Métodos cuantitativos Materia Carácter Obligatorio Presenciales 2,7 Créditos 6 No presenciales 3,3 Curso 2 Semestre 3 Estadística
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesLA SELECCIÓN DE LA MUESTRA EN UNA ENCUESTA DE MERCADO
LA SELECCIÓ DE LA MUESTRA E UA ECUESTA DE MERCADO AUTORÍA María Eugenia Suárez Casado TEMÁTICA ADMIISTRACIO Y FIAZAS: La selección de la muestra ETAPA CICLO FORMATIVO DE ADMIISTRACIO Y FIAZAS Resumen En
Más detallesTema. Introducción Pearson Prentice Hall. All rights reserved
Tema 1 Introducción 2010 Pearson Prentice Hall. All rights reserved Estadística descriptiva La estadística descriptiva estudia datos con el único fin de describir el grupo observado, sin inferir los hallazgos
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesSALUD OCUPACIONAL DESDE EL CICLO PHVA
PLANEACIÓN N ESTRATÉGICA EN SALUD OCUPACIONAL DESDE EL CICLO PHVA El ciclo de mejora continua PHVA fué desarrollado inicialmente en la década de 1920 por Walter Shewhart, y fue popularizado por W, Edwars
Más detallesUTILIZACIÓN DE LA CAPACIDAD INSTALADA EN LA INDUSTRIA MANUFACTURERA - SEGUNDO TRIMESTRE DE
Montevideo, 28 de octubre de 2009. UTILIZACIÓN DE LA EN LA INDUSTRIA MANUFACTURERA - SEGUNDO TRIMESTRE DE 2009 - ANÁLISIS DE LOS PRINCIPALES INDICADORES El grado de utilización de la Capacidad Instalada
Más detallesProbabilidad Condicional
Probabilidad Condicional Algunas veces la ocurrencia de un evento A puede afectar la ocurrencia posterior de otro evento B; por lo tanto, la probabilidad del evento B se verá afectada por el hecho de que
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesINTRODUCCION AL MARKETING
INTRODUCCION AL MARKETING Tema 5 LA INVESTIGACIÓN COMERCIAL Y EL MARKETING CONTENIDOS BASICOS OBJETIVOS a) Comprender la importancia del Sistema de Información de Marketing b) Componentes del S.I.M c)
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesESTUDIO CIS N1 2200 DEMANDA DE SEGURIDAD Y VICTIMIZACIÓN FICHA TÉCNICA
Convenio: Municipios de más de 50.000 habitantes de las provincias de Alicante, Almería, Asturias, Baleares, Barcelona, Cádiz, La Coruña, Granada, Madrid, Málaga, Murcia, Las Palmas, Pontevedra, Santa
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Probabilidad Conceptos como probabilidad, azar, aleatorio son tan viejos como la misma civilización. Y es que a diario utilizamos el concepto de probabilidad: Quizá llueva mañana
Más detalles1. CURSO: ESTADÍSTICA DESCRIPTIVA Y NOCIONES DE ESTADÍSTICA INFERENCIAL. 2. EN EL MARCO DE ACTIVIDADES DE POSGRADO: Acreditado para Doctorado.
1. CURSO: ESTADÍSTICA DESCRIPTIVA Y NOCIONES DE ESTADÍSTICA INFERENCIAL 2. EN EL MARCO DE ACTIVIDADES DE POSGRADO: Acreditado para Doctorado. 3. PERIODICIDAD: Anual 4. DIRECTORAS: Dra. Teresita Terán CODIRECTORA:
Más detallesEstándares de evaluación en la materia de MATEMÁTICAS de 1º de ESO. Curso 2016/2017.
Estándares de evaluación en la materia de MATEMÁTICAS de 1º de ESO. Curso 2016/2017. Bloque 1. Procesos, métodos y actitudes en matemáticas. Los criterios correspondientes a este bloque son los marcador
Más detallesc). Conceptos. Son los grupos o conceptos que se enlistan en las filas de la izquierda de la tabla
Tema 5. Tablas estadísticas Como ya se había establecido en el tema anterior sobre el uso de las tablas estadísticas, éstas son medios que utiliza la estadística descriptiva o deductiva para la presentación
Más detallesTema 1: Introducción
Estadística Universidad de Salamanca Curso 2010/2011 Outline 1 Estadística 2 Outline 1 Estadística 2 La estadística es una ciencia que comprende la recopilación, tabulación, análisis e interpretación de
Más detallesCentro Asociado Palma de Mallorca. Tutor: Antonio Rivero Cuesta
Centro Asociado Palma de Mallorca Arquitectura de Ordenadores Tutor: Antonio Rivero Cuesta Unidad Didáctica 1 Representación de la Información y Funciones Lógicas Tema 1 Representación de la Información
Más detallesReporte de Pobreza. Marzo 2016
Reporte de Pobreza Marzo 2016 1 Reporte de Pobreza - Marzo 2016 Dirección responsable de la información estadística y contenidos: Dirección de Innovación en Métricas y Metodologías Realizadores: Melody
Más detallesEdad (en años) Más de 57 Nº de personas
1. Una productora de cine quiere pasar una encuesta por el método de muestreo estratificado entre las 918 personas asistentes a la proyección de una de sus películas. La muestra de tamaño 54 ha de ser
Más detallesDETERMINAR LA POBLACIÓN - MUESTRA OBJETO DE ESTUDIO Y OBTENCIÓN DE LA INFORMACIÓN
DETERMINAR LA POBLACIÓN - MUESTRA OBJETO DE ESTUDIO Y OBTENCIÓN DE LA INFORMACIÓN Tomado del capítulo 7 del libro Metodología de la investigación de Cesar Augusto Bernal. Una vez concebida la idea de la
Más detallesANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA
ANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA Jack Marlon Martínez Abregu e-mail: marlon_jack@hotmail.com IvánJosé Pazos Alvarado
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesEncuesta Nacional de Victimización por Violencia Intrafamiliar y Delitos Sexuales 2008
Encuesta Nacional de Victimización por Violencia Intrafamiliar y Delitos Sexuales 2008 Antecedentes y metodología del estudio Antecedentes del estudio Objetivo general Obtener información relevante sobre
Más detallesTablas de frecuencias con datos agrupados
Tablas de frecuencias con datos agrupados Cuando los valores de la variable son muchos, conviene agrupar los datos en intervalos o clases para así realizar un mejor análisis e interpretación de ellos.
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detalles