Aplicación de la Teoría de Respuesta al Ítem en Educación Ambiental
|
|
- María Pilar Cortés Reyes
- hace 5 años
- Vistas:
Transcripción
1 Aplicación de la Teoría de Respuesta al Ítem en Educación Ambiental Gladys Linares Fleites y Robinson Ramírez González Resumen La Teoría de Respuesta al Ítem (Item Response Theory o IRT), usada en psicología y en educación para medir o estimar rasgos o habilidades latentes de los individuos, tiene actualmente un importante campo de aplicación en otras ramas de la ciencia como las ambientales. Esta teoría permite, mediante modelos estadísticos, caracterizar los reactivos o ítems de un instrumento de medición (prueba, tests, cuestionario, escala o constructo) basándose en el nivel de dificultad, y además comparar el nivel de habilidad de cada individuo frente a la dificultad de cada ítem, independientemente del nivel de los otros individuos participantes en un estudio. En esta teoría, para reactivos cuyas respuestas son dicotómicas (si o no), es común el uso del modelo Rasch, y de los modelos logísticos de un parámetro (1PLM). Estos modelos se han utilizado para caracterizar la Subescala de Educación Ambiental de un cuestionario que pretende medir el grado de bienestar individual y familiar de una Unidad Habitacional Militar de la ciudad de Puebla. En este trabajo se ha utilizado el software estadístico libre R con el paquete ltm. Palabras clave: Modelo de Rasch, Modelos logísticos, Análisis factorial I. INTRODUCCIÓN La Teoría de Respuesta al Ítem (IRT, siglas en inglés de Item Response Theory) es una familia de procedimientos estadísticos para analizar y describir el comportamiento de un instrumento de medición (prueba, test, cuestionario, escala o constructo). Estos procedimientos poseen tres rasgos distintivos: (a) se enfocan en el comportamiento de los ítems o reactivos individuales, (b) describen el comportamiento del ítem en diferentes niveles y (c) se basan en modelos [6]. Si bien los modelos de la IRT son encontrados mayormente en la literatura referida a evaluaciones psicológicas y educativas, ellos están siendo aplicados con mucho éxito en otros campos. El uso de la IRT tiene la ventaja de generalizar la información de manera flexible e incrementar la eficiencia y la utilidad de los procesos de medición. En este trabajo se presenta una aplicación del la IRT al campo de la Educación Ambiental. Como parte de un proyecto de investigación en Ciencias Ambientales que persigue obtener información, a través de un cuestionario elaborado al respecto, sobre el grado de bienestar familiar y colectivo de usuarios de una Unidad Habitacional Militar del estado de Puebla, se desarrolló una Subescala sobre Educación Ambiental. Se persigue el objetivo, mediante esta teoría, de caracterizar los reactivos o ítems de esa Subescala. Posgrado en Ciencias Ambientales. Instituto de Ciencias (ICUAP) de la Benemérita Universidad de Puebla (BUAP). En los siguientes apartados se desarrollan, primero, los aspectos conceptuales de la IRT y los criterios utilizados para la evaluación de modelos; segundo, se presenta el paquete ltm [3] del software estadístico libre R, que es utilizado en esa investigación; y, tercero, se aplican los procedimientos de la IRT a la Subescala de Educación Ambiental, antes mencionada. Finalmente, se brindan algunas conclusiones y referencias. II. TEORÍA DE RESPUESTA AL ITEM (IRT) La Teoría de Respuesta al Ítem (IRT) es un área en desarrollo que trata de medir rasgos latentes a través de una serie de modelos matemáticos [4]. En general, los modelos de variables latentes son modelos de regresión multivariantes que enlazan una variable respuesta con otra no observada. La IRT se ha desarrollado en los últimos años, registrándose numerosas aplicaciones y, en especial, se está utilizando en la construcción de instrumentos de medición. La IRT, también conocida como Teoría de Rasgo Latente, asume que entre la respuesta que una persona ofrece a una pregunta de un cuestionario y el rasgo o habilidad (puede entenderse también la actitud, la aptitud, la preferencia, el prejuicio, etc.) de la persona, existe una relación no lineal que se puede expresar en términos probabilísticos [5]. El conjunto de los cálculos que se aplican para ello determina los distintos modelos y resultados de la IRT. La unidad básica de estudio en la IRT es el ítem o reactivo. Según esta teoría, la habilidad (actitud hacia el ambiente, en este trabajo) es considerada una variable continua real que puede ser medida en una escala que tiene un punto medio igual a cero y que generalmente se denota con el símbolo. De esta manera se puede comparar habilidades (actitudes) entre individuos, comparando el parámetro de cada uno de ellos. La IRT afirma que si una persona tiene un cierto nivel n de actitud favorable hacia el medio ambiente, por ejemplo, tendrá asociado a dicho valor una probabilidad de que conteste positivamente a una pregunta sobre acciones que lo mejoren. Expresado de otra manera, si una persona responde favorablemente a un ítem, es posible suponer que esta persona posee un determinado nivel de actitud favorable hacia el ambiente. La relación entre la respuesta de la persona al ítem y el rasgo o habilidad (actitud hacia el medio ambiente) que esta tiene, se estima mediante una función probabilística, que se representa por la Curva Característica del Ítem (ICC); esta función indica la probabilidad de éxito en la respuesta, dependiendo del nivel de habilidad latente del individuo. Para ítems o reactivos donde la respuesta es dicotómica, esto es, se admite sólo la posibilidad de éxito o fracaso, probabilidad de éxito será: la
2 p = P(X = 1) = exp (f(θ)) 1 +exp (f(θ)). (1) El símbolo X es una variable aleatoria que indica que la respuesta muestra una actitud positiva (éxito: X=1) o negativa (fracaso: X=0). Según la expresión que tome la función f ( ) se tiene diferentes modelos [1]. El modelo más simple es el conocido como modelo de Rasch, donde la probabilidad de éxito en la respuesta está dada por: p = exp (θ δi) 1+exp (θ δi). (2) El símbolo i es el parámetro de dificultad del ítem i. Tanto él como se refieren a la misma escala de medición. Según la ecuación (2), en este modelo la probabilidad de éxito es una función de la diferencia entre la habilidad (actitud) de una persona y la dificultad del ítem [1]. Si ambas son iguales la probabilidad de éxito es 0.5. Cuanto mayor sea i, más a la derecha se posicionará la curva ICC, y mayor será la dificultad del ítem. Las curvas de los diferentes ítems no se cruzan. Otro modelo de la teoría de la IRT es el Modelo Logístico de un parámetro (1PLM), donde se establece un parámetro de discriminación denotado por α, que se supone que es el mismo para todos ítems. La probabilidad de éxito de la respuesta está dada por: p = exp (α(θ δi)) 1+exp (α(θ δi)). (3) El modelo de Rasch es un caso particular del modelo 1PLM, donde el parámetro de discriminación α = 1. Además de los dos modelos anteriores, en la IRT se utilizan los modelos logísticos de dos parámetros (2PLM) y de tres parámetros (3PLM). En el modelo 2PLM la función de probabilidad tiene en cuenta los parámetros de dificultad ( i) y de discriminación (α i ) de cada ítem. En el modelo 3PLM se introduce otro parámetro desconocido que tiene en cuenta la probabilidad de que el ítem haya sido respondido al azar y que se conoce como parámetro de adivinación. En [7] se proponen los siguientes criterios para evaluar cual modelo debe usarse: Criterio 1. Verificación de los supuestos del modelo A. Unidimensionalidad B. Igualdad de discriminación C. Posibilidad de adivinar la respuesta correcta Criterio 2. Características esperadas del modelo Criterio 3. Modelo de predicciones de los resultados reales de las pruebas. Una breve explicación de esos criterios se brinda a continuación. 1: Verificación de los supuestos del modelo A. Unidimensionalidad La unidimensionalidad se refiere al hecho de que el instrumento sólo debe medir una capacidad latente. Esta condición se aplica a la mayoría de los modelos de la IRT. La unidimensionalidad puede ser investigada a través de los valores propios en un análisis factorial. Se concluye que el instrumento es unidimensional si al trazar los valores propios (del más grande al menor) de la matriz de correlación entre ítems hay un primer factor dominante. Otra posibilidad de concluir la unidimensionalidad es calcular la relación entre el primer y segundo autovalores. Si la relación es alta, es decir, arriba de un valor crítico la prueba es unidimensional. B. Igualdad de discriminación La igualdad de discriminación puede ser verificada a través del examen de la correlación entre el ítem i y el puntaje total del instrumento, es decir, con la correlación biserial puntual, que se utiliza cuando queremos conocer la correlación existente entre dos variables, de las cuales una ha sido medida en escala de intervalos y la otra resulta ser una variable dicotómica. La desviación estándar debe ser pequeña si hay igual discriminación. C. Posibilidad de adivinar la respuesta correcta Una manera de examinar si se produce la adivinación es observar cómo los individuos con habilidades bajas responden a los ítems más difíciles en la prueba. 2. Características esperadas del modelo El segundo criterio, que se denomina características esperadas del modelo, es de interés no importando qué modelo se utiliza. La invariancia de las estimaciones de los parámetros de habilidad necesita ser examinado, lo que significa que las estimaciones de θ no deben depender de si los ítems son fáciles o difíciles, ni de los diferentes grupos en la muestra, es decir, grupos con bajas o altas habilidades. En otras palabras, debe existir una correlación lineal entre estas estimaciones. 3. Modelo de predicciones de los resultados reales de las pruebas El tercer criterio, referido a la predicción del modelo de los resultados reales del cuestionario, puede ser examinado comparando las Curvas Características del Ítem (ICC) para cada ítem con el otro. El tercer criterio también puede examinarse utilizando gráficos de distribuciones de puntuaciones observadas y predichas o usando pruebas chi cuadrado. III. LENGUAJE R Y PAQUETE LTM El lenguaje de programación R (R Core Team, 2013) es la implementación open source del software estadístico S, distribuido en forma gratuita bajo licencia GPL (General Public License) del proyecto de software libre GNU [2]. Permite definir funciones nuevas a partir de aquellas que trae el programa, las que pueden agruparse en lo que se llaman paquetes. En este trabajo se utilizó el paquete ltm [3] que permite estimar los parámetros de los modelos estadísticos descritos. Las técnicas de estimación asumen que los individuos son independientes entre sí y que los reactivos funcionan de la misma manera para todos los individuos, es decir, no existen
3 factores de diferenciación en la capacidad de respuesta de los participantes en una investigación. La literatura muestra cuatro técnicas para la estimación de los parámetros de los modelos de IRT, a saber, Máxima verosimilitud conjunta Máxima verosimilitud condicional Máxima verosimilitud marginal Bayesiana El paquete ltm utiliza la Estimación de Máxima Verosimilitud Marginal. Los parámetros de los modelos 1PLM, 2PLM y 3PLM se obtienen con las funciones rasch( ), ltm( ) y tpm( ) respectivamente. En el caso del modelo de Rasch, también se utiliza rasch( ), pero restringiendo en el argumento de la función el valor del parámetro de discriminación a 1. Para cualquiera de los cuatro modelos, con la función factor.scores( ) se accede al parámetro de habilidad (actitud) de los individuos. El paquete también dispone de la función plot( ) que permite graficar las curvas características de los ítems, las curvas de información del ítem y del test. La función anova( ) permite decidir, entre dos modelos, cuál ajusta mejor los datos experimentales, realizando el test de razón de verosimilitud (LRT). La misma función anova( ) devuelve los valores BIC y AIC, correspondientes al Criterio de Información Bayesiano y al Criterio de Información de Akaike, respectivamente, para seleccionar el modelo que mejor se ajusta a los datos. En ambos casos, cuanto menor es el valor obtenido, mejor resulta el modelo. IV. APLICACIÓN En el Posgrado de Ciencias Ambientales del Instituto de Ciencias de la Benemérita Universidad Autónoma de Puebla, se está desarrollando un proyecto de investigación que pretende obtener información, a través de un cuestionario elaborado al efecto, sobre el grado de bienestar familiar y colectivo de usuarios de una Unidad Habitacional Militar de la ciudad de Puebla, Puebla. Dicho instrumento incluye una Subescala sobre Educación Ambiental con cuatro preguntas (reactivos o ítems), que se enuncian a continuación: P1. El tema de la protección al ambiente es interesante? P2. Recicla el agua cuando se baña o lava la ropa? P3. Emplea alguna medida para ahorrar energía eléctrica en su casa? P4. Separa la basura orgánica de la inorgánica? Cada una de estas preguntas tiene sólo dos posibilidades de respuesta: si o no. La respuesta si se considera el éxito y se codifica con 1. La población de esta Unidad Habitacional Militar está integrada de 384 departamentos ocupados por Jefes, Oficiales y Tropa pertenecientes a la Secretaria de la Defensa Nacional, agrupados en dos áreas: la tipo A con 156 departamentos y la tipo B con 228 departamentos La muestra se obtuvo por un muestreo estratificado proporcional, tomando como estrato el área. El tamaño de la muestra es de 107 departamentos (39 en el Área A y 68 en el Área B ) calculado con un nivel de confianza del 95% y un error de muestreo de 0.1. La encuesta se realizó a través de una entrevista individual y anónima, a una persona adulta de cada departamento seleccionado. A continuación se desarrollan los criterios que se utilizan para caracterizar los reactivos o ítems (preguntas) de la Subescala de Educación Ambiental. Criterio 1: Verificación de los supuestos del modelo A. Unidimensionalidad Se obtuvieron los valores y vectores de la matriz de correlaciones de las cuatro preguntas, los que se muestran en la Tabla 1. Puede observarse que el primer factor (F1) explica el 44% de la variabilidad total del fenómeno, esto es el doble de lo que explica el segundo factor (F2) y, además, puede afirmarse que las cuatro preguntas son importantes en F1, dado que todos los coeficientes de la combinación lineal (elementos del vector propio asociado) son altos y similares. De estos resultados puede concluirse que esta Subescala es unidimensional. Tabla 1. Valores y vectores propios de la matriz de correlaciones Valores Propios Proporción Proporción Acumulada Ítem F1 F2 P P P P B. Igualdad de discriminación Como se explicó anteriormente, la igualdad de discriminación puede ser verificada a través del examen de la correlación entre el ítem i y el puntaje total del instrumento, es decir, con la correlación biserial puntual (rpbi), que se muestra en la Tabla 2. El puntaje total ha sido medido en escala de intervalos y el ítem es una variable dicotómica. Puede observarse que los coeficientes de correlación biserial puntual de cada ítem con el puntaje total no son iguales. Cuanto más alto es el valor de rpbi, mayor será la discriminación del ítem. Así, en este caso, los ítems P1 y P3 son los que más discriminan, le sigue en importancia el P2 y, por último, el P4. El supuesto de considerar todos los reactivos con igual nivel de discriminación en los modelos de Rasch y 1PLM, es dudoso en este caso.
4 Tabla 2. Coeficiente de correlación biserial puntual de cada ítem con el puntaje total Incluído Excluído P P P P La tabla 3, que muestra el coeficiente alpha de Cronbach, profundiza en este aspecto. Obsérvese que el coeficiente de confiabilidad alpha de Cronbach es aceptable (0.5753). La exclusión de las preguntas P1 y P3 haría descender considerablemente este coeficiente. Sin embargo, la eliminación de la pregunta P4 haría descender la confiabilidad muy poco; este resultado corrobora el análisis de correlación punto biserial con respecto a P4. Tabla 3. Coeficiente de alpha de Cronbach Valor Todos los ítems Excluyendo P Excluyendo P Excluyendo P Excluyendo P Por otra parte, en la tabla 4 se observa que la hipótesis nula de que las preguntas P2 y P4 no están asociadas se acepta con valor de p de 0.62, esto es, existe una relación no significativa. Las restantes parejas de ítems rechazan la hipótesis nula y se consideran que están relacionadas. Tabla 4. Asociaciones por pareja de ítems Item i Item j p.value Criterio 2. Características esperadas del modelo En la Tabla 5 se presenta el parámetro estimado para cada ítem según el modelo de Rasch; la tabla muestra la salida del programa ltm. En el modelo de Rasch, el parámetro de discriminación α de todos los ítems es 1, como ya habíamos expresado. El ítem de menor dificultad es el P4 y el de mayor dificultad el P1. Para comprobar si el modelo se ajusta a los datos se utiliza, el método de remuestreo Bootstrap para la Bondad de Ajuste de la prueba Chi cuadrado. El valor del estadístico observado es 13.07, evaluado para 200 conjuntos de datos. Se concluye que el modelo no se ajusta a los datos, dado que el valor de p es 0.28, no rechazándose la hipótesis nula de que el modelo no se ajusta. Tabla 5. Parámetro en el modelo Rasch Resumen del modelo log.lik AIC BIC Coeficientes value std.err z.vals Dffclt.P Dffclt.P Dffclt.P Dffclt.P Dscrmn NA NA En la Tabla 6 se presenta el parámetro estimado para cada ítem según el modelo 1PLM, mostrando de manera similar al caso anterior, la salida del programa ltm. En este modelo 1PLM, el parámetro de discriminación α de todos los ítems es De manera similar al modelo de Rasch, el ítem de menor dificultad es el P4 y el de mayor dificultad el P1. Los dos criterios de selección de modelos, el AIC y el BIC, son menores en el modelo 1PLM que en el modelo de Rasch, lo que apunta a que el modelo 1PLM se ajusta mejor a los datos. Tabla 6. Parámetro en el modelo 1PLM Resumen del modelo log.lik AIC BIC Coeficientes value std.err z.vals Dffclt.P Dffclt.P Dffclt.P Dffclt.P Dscrmn Obsérvese que a través de los modelos se obtienen resultados semejantes a lo que mostraban los procedimientos descriptivos, reiterándose que la pregunta más importante es P1 y la menos importante la P4. Comparación de los modelos mediante anova( ) Se utilizó la función anova() para decidir qué modelo ajusta mejor a los datos. La tabla 7 muestra los resultados obtenidos al comparar los dos modelos, considerando como hipótesis nula que aquel que mejor ajusta a los datos es el de
5 Information Probability menor número de parámetros. Evaluando el valor de la prueba de razón de verosimilitud (LRT, por sus siglas en ínglés) y el valor de p.value, se puede rechazar la hipótesis nula a favor de la hipótesis alternativa. Se concluye que el modelo 1PLM se ajusta mejor a los datos, lo que coincide con el análisis de los criterios AIC y BIC. Figura 1. Curva Característica del Ítem (ICC) de la Subescala de Educación Ambiental Item Characteristic Curves Tabla 7. Comparación del modelo Rasch vs 1PLM Tabla de Razón de Verosimilitud AIC BIC log.lik LRT df p.value Rasch PLM Criterio 3. Modelo de predicciones de los resultados reales de las pruebas La tabla 8 muestra las estimaciones del parámetro (Factor-Scores) para los patrones de la respuesta observada en el modelo 1PLM. El método de estimación utilizado para estas estimaciones es el Bayes empírico. Tabla 8. Factor-Scores para los patrones de Respuesta Observada P1 P2 P3 P4 Obs Exp z1 se.z Finalmente, las figuras 1, 2 y 3 que brinda el paquete ltm, resumen la caracterización de la Subescala de Educación Ambiental. La figura 1, que representa la Curva Característica del Ítem (ICC), muestra que el ítem P4 está situado más a la derecha del gráfico, señalando que es de mayor grado de dificultad y, por tanto, puede considerarse la pregunta más importante de la Subescala. En orden de importancia quedarían las preguntas P3, P2 y P Ability La figura 2 señala resultados similares. La pregunta P4 es la que brinda la mayor información sobre la actitud hacia el medio ambiente, y la información de los restantes ítem siguen el mismo comportamiento de ICC. Figura 2. Curva de Información del Ítem de la Subescala de Educación Ambiental Item Information Curves P1 P2 P3 P Ability
6 Information Figura 3. Función de Información de la Subescala de Educación Ambiental Test Information Function [2] R. Core Team, R: A language and environment for statistical computing. R Foundation for Statistical Computing, Austria, [3] Rizopoulos, D., ltm: An R package for Latent Variable Modelling and Item Response Theory Analyses, Journal of Statistical Software, 17 (5), 1-25, [4] Rizopoulos, D., Latent Trait Models under IRT ltm Package, Versión 1.0-0, [5] Thorpe, Geoffrey L. and Favia, Andrej, "Data Analysis Using Item Response Theory Methodology: An Introduction to Selected Programs and Applications." Psychology Faculty Scholarship. Paper 20, [6] Yen, W.M. Item response theory. In M. Alkin (Ed.), Encyclopedia of Educational Research, Sixth Edition, , NY: Macmillan Ability [7] Wiberg, M. Classical Test Theory vs. Item Response Theory An evaluation of the theory test in the Swedish driving-license test. EM No 50, UMEA UNIVERSITET, De acuerdo a la Curva del Test de Información (figura 3) observamos que los ítems preguntados en la Subescala de Educación Ambiental, principalmente brindan información para los individuos con baja habilidad (actitud negativa hacia el medio ambiente). V. CONCLUSIÓN Los resultados obtenidos señalan que la Subescala de Educación Ambiental del Cuestionario sobre el Grado de Bienestar familiar y colectivo de usuarios de una Unidad Habitacional Militar del estado de Puebla, es capaz de medir la actitud hacia el medio ambiente de esos usuarios, aunque se recomienda profundizar en la información que brinda el ítem P4 y si es posible simplificar la Subescala eliminando esa pregunta. Debe destacarse, finalmente, que el paquete ltm es muy potente, versátil y fácil de utilizar, brindando la posibilidad de acceder a toda la información necesaria para determinar los niveles de habilidad (actitudes hacia el medio ambiente) de los individuos (usuarios) y los parámetros de varias distribuciones estadísticas de la IRT. REFERENCIAS [1] Berejnoi, C. y Barros, M. A. Comparación de diferentes modelos de la Teoría de Respuesta al Ítem En: Cuadernos de la Facultad de Ingeniería. EDITORIAL EUCASA. Año 8 / número 8 / noviembre. Salta Argentina, 2014.
Prefacio... xvii. 1 La imaginación estadística... 1
ÍNDICE Prefacio... xvii 1 La imaginación estadística... 1 Introducción... 1 Pensamiento proporcional... 3 La imaginación estadística... 8 Enlace de la imaginación estadística con la imaginación sociológica...
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
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 detallesN T E N.. IDO. CAPíTULO 3 TABLAS Y GRÁFICAS: UNA IMAGEN DICE MÁS QUE MIL PALABRAS 78. CAPíTULO I LA IMAGINACiÓN ESTADíSTICA
N T E N.. IDO PREFACIO xiv CAPíTULO I LA IMAGINACiÓN ESTADíSTICA Introducción La imaginación estadística 3 Enlace de la imaginación estadística con la imaginación sociológica 4 Normas estadísticas y normas
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesPsicometría (2º Cuatrimestre) Preguntas de exámenes TEMA 6: Validez en las inferencias (I)
Psicometría (2º Cuatrimestre) Preguntas de exámenes TEMA 6: Validez en las inferencias (I) 1.- Si el coeficiente de fiabilidad de un test es 0,64, su coeficiente de validez respecto a un criterio externo
Más detallesCAPÍTULO III MARCO METODOLÓGICO. Existen diversos criterios conceptuales en metodología, los cuales señalan
CAPITULO III MARCO METODOLÓGICO CAPÍTULO III MARCO METODOLÓGICO 1. TIPO DE INVESTIGACIÓN Existen diversos criterios conceptuales en metodología, los cuales señalan que para efectuar un estudio debe ser
Más detallesSumario... 5 Prólogo Unidad didáctica 1. Introducción a la psicometría Objetivos de la Unidad... 11
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a la psicometría... 9 Objetivos de la Unidad... 11 1. Breve historia de la medición en psicología... 12 1.1. La medición
Más detallesPROGRAMA DE ASIGNATURA. CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado en Física Profesorado en Matemática
PROGRAMA DE ASIGNATURA ASIGNATURA: Probabilidad y Estadística Introducción a la Probabilidad y Estadísitica AÑO: 2012 CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detalles8. Los cambios en la longitud del criterio pueden afectar a la: a) fiabilidad del test y del criterio; b) fiabilidad del test; c) validez del test.
Sólo se permitirá anotar en el formulario las erratas detectadas. Los cálculos deberán redondearse a dos decimales 1. La Ley del Juicio Categórico puede utilizar como procedimiento experimental para la
Más detallesPsicometría Tema 8 ANÁLISIS DE LA CALIDAD MÉTRICA DE LOS ÍTEMS
Psicometría Tema 8 ANÁLISIS DE LA CALIDAD MÉTRICA DE LOS ÍTEMS Psicometría Mª Isabel García Barbero, UNED. Universidad Nacional de Educación a Distancia, 2006 1 La evaluación de la calidad métrica de los
Más detallesUniversidad de Puerto Rico Recinto de Río Piedras Facultad de Ciencias Naturales Departamento de Matemáticas
1 Universidad de Puerto Rico Recinto de Río Piedras Facultad de Ciencias Naturales Departamento de Matemáticas Título: Introducción a la Estadística con Computadoras Codificación: MATE 3026 Número de horas
Más detallesPROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT
PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesGUIA DOCENTE ESTADÍSTICA II
GUIA DOCENTE 2016-17 ESTADÍSTICA II Mayo 2016 DATOS GENERALES Nombre del curso: Código: ESTADÍSTICA II 801101, ADE 801916, MKCD Curso: 2016-17 Titulación: Grado en Administración y Dirección de Empresas
Más detallesDEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística
PROGRAMA DE CURSO Modelo 2009 DEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística PROFESIONAL ASOCIADO Y LICENCIATURA
Más detalles: Andrea Canals/ Catalina Canals Año Académico : 2017 P R O G R A M A
1 ASIGNATURA : Estadística Requisito : Matemática 2 Profesores : Andrea Canals/ Catalina Canals Año Académico : 2017 Carácter : Semestral Clases Teóricas : 3 horas Ayudantía : 1,5 horas P R O G R A M A
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 8104 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesPage 1 of 5 Departamento: Dpto Matematica Nombre del curso: PROBABILIDAD Y ESTADÍSTICA Clave: 003872 Academia a la que pertenece: Probabilidad y Estadística Requisitos: Requisito de Probabilidad y Estad
Más detallesSede Andina, San Carlos de Bariloche. Licenciatura en Administración, Licenciatura en Hotelería, Licenciatura en Turismo y. Licenciatura en Economía.
Sede y localidad Carreras Sede Andina, San Carlos de Bariloche Licenciatura en Administración, Licenciatura en Hotelería, Licenciatura en Turismo y Licenciatura en Economía. Programa Analítico de la asignatura
Más detallesASIGNATURA DE MÁSTER: BIOESTADÍSTICA
ASIGNATURA DE MÁSTER: BIOESTADÍSTICA Curso 2015/2016 (Código:21153032) 1.PRESENTACIÓN Con esta asignatura el lector podrá entender y explicar mejor los fenómenos naturales; incluso podrá hacer predicciones.
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesPreparación examen PIR Diseños Experimentales, Estadística y Psicometría
Preparación examen PIR Diseños Experimentales, Estadística y Psicometría INDICE DISEÑOS EXPERIMENTALES TEMA 1: LA INVESTIGACIÓN CIENTÍFICA EN PSICOLOGÍA... 14 1. INTRODUCCIÓN... 14 1.1. Conocimiento científico...
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesUniversidad Nacional Autónoma de México Facultad de Psicología
Universidad Nacional Autónoma de México Facultad de Psicología PROGRAMA DE ASIGNATURA Nombre de la asignatura Clave Semestre Estadística Inferencial 0186 4 Número de créditos 8 Horas teoría 4 Horas práctica
Más detallesAÑO: Datos de la asignatura Nombre Estadística. Tipo (Marque con una X) Nivel (Marque con una X) Obligatoria X Grado X Optativa Post-Grado
AÑO: 2015 1- Datos de la asignatura Nombre Estadística Código M178 Tipo (Marque con una X) Nivel (Marque con una X) Obligatoria X Grado X Optativa Post-Grado Área curricular a la que pertenece Matemática
Más detallesPontificia Universidad Católica Argentina Facultad de Ciencias Sociales y Económicas
MATERIA Estadística II CARRERA /S Licenciatura en Economía PROFESORES Lic. Carlos A. Barbosa Lic. Silvina D Angelo CURSO 1ero A Tarde SEMESTRE AÑO 1er Semestre - 2010 PAGINAS 5 1 UNIVERSIDAD CATOLICA ARGENTINA
Más detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesUNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER
UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER CARTA DESCRIPTIVA Carrera: INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia:. Titular: Correo electrónico: NUMERO DE UNIDAD:
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesInformación general. Obligatoria básica o de fundamentación X. Obligatoria profesional. Horas de trabajo independiente del estudiante
Guía de asignatura Formato institucional Rev. Abril 2013 Información general Asignatura E S T A D I S T I C A Código 73210011 Tipo de asignatura Obligatoria X Electiva Tipo de saber Número de créditos
Más detallesCarrera: IAM Participantes Representante de las academias de ingeniería en Industrias Alimentarias de los Institutos Tecnológicos.
.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística Aplicada Ingeniería en Industrias Alimentarias IAM-0 --8.- HISTORIA
Más detallesESTADÍSTICA BIVARIADA
ESTADÍSTICA BIVARIADA Estadística y Tecnología de la Información y Comunicación ENRIQUE ÍÑIGUEZ CASTRO 1º de Enfermería, grupo 4. Subgrupo 16. Índice 1. Introducción.... 2 2. Objetivos.... 2 3. Metodología...
Más detallesPROGRAMA DE CURSO. Código Nombre ESTADÍSTICA PARA LA ECONOMÍA Y GESTIÓN Nombre en Inglés Statistics for Economics and Management Unidades
PROGRAMA DE CURSO Código Nombre IN3401 ESTADÍSTICA PARA LA ECONOMÍA Y GESTIÓN Nombre en Inglés Statistics for Economics and Management es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar
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 detallesPRINCIPIOS DE PSICOMETRÍA
PRINCIPIOS DE PSICOMETRÍA Consulte nuestra página web: www.sintesis.com En ella encontrará el catálogo completo y comentado PRINCIPIOS DE PSICOMETRÍA CARMEN SANTISTEBAN REQUENA EDITORIAL SINTESIS Diseño
Más detallesEVALUACIÓN EN APRENDIZAJE. Eduardo Morales y Jesús González
EVALUACIÓN EN APRENDIZAJE Eduardo Morales y Jesús González Significancia Estadística 2 En estadística, se dice que un resultado es estadísticamente significante, cuando no es posible que se presente por
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 10 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización En estadística existen dos métodos para la
Más detallesGUÍA DE STATGRAPHICS 5.1
UNIVERSIDAD POLITÉCNICA DE MADRID ESCUELA UNIVERSITARIA DE ARQUITECTURA TÉCNICA DEPARTAMENTO DE MATEMÁTICA APLICADA A LA ARQUITECTURA TÉCNICA GUÍA DE STATGRAPHICS 5.1 (Versión castellana) GUÍA DE STATGRAPHICS
Más detallesINDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas
INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de
Más detallesRegresión. Instituto Tecnológico de Ciudad Victoria Maestría en Ciencias en Biología Sesión de Cómputo. Modelo I
Regresión La regresión lineal estima la relación de una variable con respecto a otra, por medio de la expresión de una variable en términos de una función lineal de otra variable. Existen dos modelos de
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
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 detallesCLASIFICACIÓN PRUEBAS PSICOMÉTRICAS
CLASIFICACIÓN PRUEBAS PSICOMÉTRICAS CARACTERÍSTICAS DE LOS TEST Es el proceso que ha sido necesario realizar para la normalización de una prueba; es decir que ésta ha sido probada en una población
Más detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA DIRECCIÓN GENERAL DE ASUNTOS ACADÉMICOS PROGRAMA DE ASIGNATURA POR COMPETENCIAS I. DATOS DE IDENTIFICACIÓN 1. Unidad Académica: Facultad de Ingeniería. Mexicali.
Más detallesANÁLISIS DE DATOS II
ANÁLISIS DE DATOS II Febrero 1997 Problema 1.- Dos investigadores (A y B) relacionando la variable satisfacción familiar (Y) con sueldo (X 1 ), horas de trabajo (X 2 ) y satisfacción personal (X 3 ) obtienen
Más detallesNombre de la asignatura: Probabilidad y Estadística. Créditos: Aportación al perfil
Nombre de la asignatura: Probabilidad y Estadística Créditos: 3-2-5 Aportación al perfil Seleccionar y aplicar herramientas matemáticas para el modelado, diseño y desarrollo de tecnología computacional.
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática - Curso 2 Pablo Candela Departamento de Matemáticas (despacho 212) Universidad Autónoma de Madrid pablo.candela@uam.es Introducción 1 / 8 Organización
Más detallesPRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI
PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.
Más detallesUNED Tudela Psicometría. Tema 3
Psicometría (2º Cuatrimestre) Preguntas de exámenes TEMA 3: Técnicas para la construcción de escalas de actitudes: 1.- El Diferencial Semántico de Osgood es útil para medir: A) las actitudes de las personas;
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Más detallesContrastes basados en el estadístico Ji Cuadrado
Capítulo 10 Contrastes basados en el estadístico Ji Cuadrado 10.1. Introducción Existen multitud de situaciones en el ámbito de la salud en el que las variables de interés, las cuales no pueden cuantificarse
Más detallesFACULTAD DE RECURSOS NATURALES INGENIERÍA ZOOTECNISTA PROGRAMA DE ESTADÍSTICA Y BIOMETRÍA AÑO 2017
FACULTAD DE RECURSOS NATURALES INGENIERÍA ZOOTECNISTA PROGRAMA DE ESTADÍSTICA Y BIOMETRÍA AÑO 2017 Titular: Ing Inés González de Rubiano (gonrubi@arnet.com.ar) JTP: Lic. Gladis Mazza (gladismazza@gmail.com)
Más detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS
ANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Datos experimentales y distribuciones de referencia Una media poblacional Hipótesis nula, alternativa y nivel de
Más detallesEstadística Aplicada a la Educación
Estadística Aplicada a a la la Educación Estadística Aplicada a la Educación Tutor. UNED Madrid-Sur (A.U. Parla) Miguel Ángel Daza 2014/15 migdaza@madridsur.uned.es 1 2014/15 1 2 4 5 6 7 8 9 10 11 12 La
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar
Más detallesESTUDIO DE LA CONFIABILIDAD DE LAS PRUEBAS DE SELECCIÓN UNIVERSITARIA ADMISIÓN 2013
ESTUDIO DE LA CONFIABILIDAD DE LAS PRUEBAS DE SELECCIÓN UNIVERSITARIA ADMISIÓN 2013 Andrés Antivilo B. Paola Contreras O. Jorge Hernández M. Documento de trabajo Nº04 /14 Santiago, abril de 2014 Índice
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesAnálisis factorial: preferencia del análisis de factor común frente al análisis de componentes principales
Análisis factorial: preferencia del análisis de factor común frente al análisis de componentes principales José López Ruiz y José Antonio Pérez-Gil La elección del análisis de Componentes Principales versus
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesDiplomado en Estadística e Investigación Científica
Sociedad Hispana de Investigadores Científicos Diplomado en Estadística e Investigación Científica Introducción Durante mucho tiempo se consideró a la investigación científica como una actividad de unos
Más detallesAsignatura: ESTADISTICA I (1024) Programa aprobado por Resolución UNM-R Nº 285/11
Asignatura: ESTADISTICA I (1024) Programa aprobado por Resolución UNM-R Nº 285/11 Carrera: LICENCIATURA EN RELACIONES DEL TRABAJO (Plan de estudios aprobado por Resolución UNM-R Nº 21/10) 1 Carrera: LICENCIATURA
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesMÓDULO No.4 ANÁLISIS DE REACTIVOS
MÓDULO No.4 ANÁLISIS DE REACTIVOS Para efectos de éste curso, se ha considerado prudente analizar dos tipos de respuesta que se brindan al momento de responder a una prueba: las respuestas asociadas con
Más detallesRemuestreo importancia y aplicaciones
Remuestreo importancia y aplicaciones Al usar índices de biodiversidad no es razonable suponer una distribución muestral conocida del estimador (índice de Shannon u otro) y por eso se recomienda utilizar
Más detallesUnidad 1 DISTRIBUCIONES MUESTRALES Objetivo particular El alumno identificará distribuciones discretas y continuas, obtendrá la probabilidad de
Nombre de la materia Estadística Inferencial Departamento Ciencias Aplicadas de la Información Academia Ciencias Básicas Clave Horas-teoría Horas-práctica Horas-AI Total-horas Créditos I4863 60 20 0 80
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesINTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA Dado que los estimadores puntuales pocas veces serán iguales a los parámetros que se desean estimar, es posible darse mayor libertad utilizando estimadores
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesINDICE. Introducción Capitulo uno. La idea nace un proyecto de investigación Como se originan las investigaciones? 2 Resumen Conceptos básicos
INDICE Introducción Capitulo uno. La idea nace un proyecto de investigación 1 1.1. Como se originan las investigaciones? 2 Resumen 6 Ejemplo 7 Capitulo dos. El planteamiento del problema objetivos, preguntas
Más detallesESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Más detalles2. Plantear hipótesis considerando que: Hipótesis: Siendo una prueba no direccionada, el planteamiento de hipótesis, señalará que:
Análisis de varianza El análisis de la varianza, conocida también como ANVAR o ANOVA, por sus siglas en inglés (ANalysis Of VAriance) es un método que permite comparar dos o más grupos de datos a través
Más detallesUNIDAD 4. INFERENCIA ESTADÍSTICA. Prof. Eliana Guzmán U. Semestre A-2015
UNIDAD 4. INFERENCIA ESTADÍSTICA Prof. Eliana Guzmán U. Semestre A-05 INFERENCIA ESTADÍSTICA La teoría de la Inferencia Estadística está conformada por aquellos métodos que permiten hacer generalizaciones,
Más detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
Más detallesDEFINICIONES BÁSICAS
1 CLASES DE ESTADÍSTICA II CLASE 14) INTRODUCCIÓN A LAS PRUEBAS DE HIPÓTESIS. A menudo el analista debe tomar decisiones acerca de la investigación que se está desarrollando. En ese proceso de toma de
Más detallesUniversidad Autónoma de Sinaloa
Séptima Edición del Diplomado en Estadística Mc. José V. Jiménez Ramírez Director de la Escuela de Ciencias Fisico-Matemáticas Tel. : 7 16 11 54 vidaljr@uas.uasnet.mx Dr. René Castro Montoya Coordinador
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 8) TEMA Nº 8 ESTIMACIÓN
OBJETIVOS DE APRENDIZAJE: TEMA Nº 8 ESTIMACIÓN Conocer las relaciones entre muestra, análisis estadístico descriptivo y análisis estadístico inferencial. Conocer los conceptos de muestra aleatoria y muestra
Más detallesCONSTRUCCION DE PRUEBAS PSICOLOGICAS. Zelenia M. Eguigure
CONSTRUCCION DE PRUEBAS PSICOLOGICAS Zelenia M. Eguigure Psicometría Conjunto de técnicas, métodos y teorías implicados en la medición de variables psicológica; estudia las propiedades métricas exigibles
Más detallesDiseño de experimentos - prueba de hipótesis.
Diseño de experimentos - prueba de hipótesis http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Inferencia estadística Conjunto de métodos y técnicas que permiten inducir,
Más detallesEstudio comparativo de discriminación de reactivos mediante el uso Teoría Clásica y Teoría de Respuesta la Reactivo
Estudio comparativo de discriminación de mediante el uso Teoría Clásica y Teoría de Respuesta la Reactivo 13 de marzo de 2015 Estudio comparativo de discriminación de mediante el uso Teoría Clásica y Teoría
Más detallesESTIMACIÓN DE ERROR EN PUNTOS DE CORTE DE STANDARD SETTING (BOOKMARK) ÁLEX TORRES - FABIÁN FUENTEALBA
ESTIMACIÓN DE ERROR EN PUNTOS DE CORTE DE STANDARD SETTING (BOOKMARK) ÁLEX TORRES - FABIÁN FUENTEALBA I. Standard Setting CONTENIDOS I.1. Método Bookmark II. Fuentes de incertidumbre III. Hipótesis IV.
Más detallesUNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA CIVIL DEPARTAMENTO DE INGENIERÍA HIDROMETEOROLÓGICA LABORATORIO:
17 o 1765 5 FUNDAMENTACION En un sentido general la estadística es la ciencia que se ocupa de la colección, clasificación, análisis e interpretación de hechos o datos numéricos. Esta ciencia puede aplicarse
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar problemas
Más detallesIntroducción al tratamiento de datos experimentales. Aplicación en fisicoquímica
Introducción al tratamiento de datos experimentales Aplicación en fisicoquímica Medidas experimentales 1. 8.86 M H 2 O 2 100V 8.93M Titulación con KMnO 4 2. 8.78 M 3. 9.10 M Resultado promedio: 8.91 M
Más detalles