Dos preguntas Variabilidad muestral Valor P Ejemplos Herramientas de Evaluación de Impacto e Innovación Social
|
|
|
- Gloria Venegas Salinas
- hace 5 años
- Vistas:
Transcripción
1 Dos preguntas Variabilidad muestral Valor P Ejemplos Herramientas de Evaluación de Impacto e Innovación Social 23 de abril 14 de mayo 2014 Santiago, Chile
2 Interpretación de datos Jeanne Lafortune Pontificia Universidad Católica de Chile J-PAL LAC 2
3 Dos preguntas Variabilidad muestral Valor P Ejemplos Índice 1. Evaluando Emprendimientos Sociales 2. Tipos de Evaluación 3. Teoría de Cambio 4. Indicadores y Medición 5. Evidencia Rigurosa y Evaluación Aleatoria 6. Interpretación de Datos 7. Evaluaciones aleatorias: Cómo se implementan?. Evaluación de Principio a Fin 3
4 Dos preguntas Variabilidad muestral Valor P Ejemplos Objetivos Saber leer y entender resultados de un artículo científico Entender por qué siempre hay incertidumbre en las mediciones basadas en muestras Comprender cómo la estadística nos ayuda a reducir la incertidumbre de nuestras mediciones. Identificar cuándo se puede confiar en los resultados que nos da una medición. 4
5 Dos preguntas Variabilidad muestral Valor P Ejemplos Esquema 1. Dos preguntas clave en la interpretación de datos. 2. La variabilidad muestral, un fenómeno predecible. 3. El valor P y el razonamiento estadístico. 4. Ejemplos. 5
6 Dos preguntas Variabilidad muestral Valor P Ejemplos 1. Dos preguntas clave en la interpretación de datos
7 Dos preguntas Variabilidad muestral Valor P Ejemplos Ejemplo de un artículo académico Empowering women to obtain high quality care: evidence from an evaluation of Mexico s conditional cash transfer programme Sarah L Barber y Paul J Gertler. 200 Revista: Health Policy and Planning 7
8 Dos preguntas Variabilidad muestral Valor P Ejemplos El programa Oportunidades El 17, México estableció el programa Oportunidades, que otorgaba transferencias monetarias a las madres. Las transferencias están condicionadas a que de los hogares beneficiarios utilicen los servicios sanitarios y educativos.
9 Dos preguntas Variabilidad muestral Valor P Ejemplos El programa Oportunidades
10 Dos preguntas Variabilidad muestral Valor P Ejemplos El programa Oportunidades En su componente de salud, los beneficiarios deben asistir a consultas médicas regularmente y asistir a charlas sobre salud. A las mujeres embarazadas se le requiere: Asistir a 5 consultas médicas prenatales, destinadas a monitorear el embarazo y prevenir y detectar riesgos. Asistir a charlas mensuales a cargo del personal de Oportunidades, en las que: Se explica el contenido que deberían tener las consultas prenatales. Se instruye acerca de salud reproductiva. Se promueve la proactividad a la hora de obtener la atención debida. 10
11 Dos preguntas Variabilidad muestral Valor P Ejemplos Mecanismo Cómo podría el programa de transferencias condicionadas afectar a la calidad del servicio sanitario obtenido? Hipótesis: Si las charlas mensuales en las que se capacita a las mujeres embarazadas mejoran sus competencias para que sean consumidoras informadas y activas de servicios médicos, esto debería conducir a que las beneficiarias demanden servicios de mayor calidad. 11
12 Dos preguntas Variabilidad muestral Valor P Ejemplos Medición Concepto a medir: Calidad de la atención médica Definición operativa: Diferencia entre Los estándares nacionales acerca de los procedimientos que deben aplicarse en una consulta prenatal, y Los procedimientos efectivamente recibidos por las madres al asistir a las consultas prenatales. Dimensiones: Antecedentes y diagnósticos Exámenes físicos Prevención y seguimiento 12
13 Dos preguntas Variabilidad muestral Valor P Ejemplos Medición: Indicadores Antecedentes y diagnósticos: Exámenes físicos: Se preguntó acerca de sangrado Se preguntó acerca de flujo Se extrajo una muestra de sangre Se obtuvo una muestra de orina Se comprobó la inmunización con toxoide tetánico Se comprobaron los suplementos de hierro Se aconsejó sobre lactancia Se aconsejó sobre métodos de planificación familiar Se anotaron las próximas citas Prevención y seguimiento: Se midió la presión arterial Le pesó al paciente Se midió la altura uterina Se realizó examen pélvico 13
14 Dos preguntas Variabilidad muestral Valor P Ejemplos Resultados 14
15 Dos preguntas Variabilidad muestral Valor P Ejemplos Dos preguntas clave: 1. La diferencia observada en los datos muestrales, existe realmente? Dado que mis datos proceden de una sola muestra, cómo puedo estar seguro de que la diferencia observada entre ambos grupos existe también en la población en su conjunto? 2. La diferencia observada, es el resultado de la intervención? Suponiendo que la diferencia existe en la población general, puedo interpretar esa diferencia como el efecto causal del programa? 15
16 Dos preguntas Variabilidad muestral Valor P Ejemplos 2. La variabilidad muestral, un fenómeno predecible 16
17 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Suponga que extraemos una muestra aleatoria de hogares para estimar el número de horas que trabajan los chilenos
18 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Suponga que extraemos una muestra aleatoria de hogares para estimar el número de horas que trabajan los chilenos
19 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Suponga que extraemos una muestra aleatoria de hogares para estimar el número de horas que trabajan los chilenos =,42
20 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Suponga que extraemos una muestra aleatoria de hogares para estimar el número de horas que trabajan los chilenos =, =,42
21 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Del mismo modo, si tomamos el promedio de horas trabajadas por los hombres y lo comparamos con el de las mujeres la diferencia cambiará de una muestra a otra.
22 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral
23 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral
24 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral
25 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral ,2 -,6 = -3,4
26 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral ,2 -,6 = -3,4
27 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral ,2 -,6 = -3,4,0-7,6 = +1,4
28 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Distintas muestras extraídas de la misma población producen distintos resultados. A este hecho básico se le llama variabilidad muestral: los valores calculados a partir de una muestra varían de una muestra a otra. 2
29 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral 2
30 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Si sabemos que existe variabilidad muestral Por qué confiaríamos en los resultados procedentes de una sola muestra? Con muchas muestras, en vez de una sola, podríamos confiar más de en que observamos. Respuesta: no nos hace falta obtener muchas muestras para saber qué sucederá. Nuestro conocimiento teórico nos permite predecirlo. 30
31 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Qué nos dice la teoría? Si se extraen sucesivas muestras a partir de una misma población, las medias muestrales se aproximarán a una distribución normal (forma de campana). 31
32 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Veámoslo en la práctica Supongamos que la población que trabaja en un pueblo está formada por 2,000 personas. Vamos a extraer una muestra tras otra y calcular cada vez la media de horas trabajadas. 32
33 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Extraemos una muestra de 20 personas: Media 1 = 3,2 Horas efectivas trabajadas en la semana de referencia 33
34 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Extraemos otra muestra de 20 personas: Media 1 = 3,2 Media 2 = 43,4 Horas efectivas trabajadas en la semana de referencia 34
35 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Extraemos otra muestra de 20 personas: Media 1 = 3,2 Media 2 = 43,4 Media 3 = 35,5 Horas efectivas trabajadas en la semana de referencia 35
36 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Extraemos otra muestra de 20 personas: Media 1 = 3,2 Media 2 = 43,4 Media 3 = 35,5 Media 4 = 4,0 Horas efectivas trabajadas en la semana de referencia 36
37 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Ahora representamos gráficamente las medias 2 muestras de n=20: x 1 = 3.2 x 2 = Horas efectivas trabajadas en la semana de referencia 37
38 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Ahora representamos gráficamente las medias 10 muestras de n=20: x 1 = 3.2 Horas efectivas trabajadas en la semana de referencia x 2 = x 10 =
39 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Ahora representamos gráficamente las medias 100 muestras de n=20: x 1 = 3.2 Horas efectivas trabajadas en la semana de referencia x 2 = x 100 =
40 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Ahora representamos gráficamente las medias 500 muestras de n=20: x 1 = 3.2 Horas efectivas trabajadas en la semana de referencia x 2 = x 500 =
41 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Ahora representamos gráficamente las medias 1000 muestras de n=20: x 1 = 3.2 Horas efectivas trabajadas en la semana de referencia x 2 = x 1000 =
42 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Ahora representamos gráficamente las medias 10,000 muestras de n=20: x 1 = 3.2 Horas efectivas trabajadas en la semana de referencia x 2 = x =
43 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral La distribución de la media muestral tienen forma de campana: 10,000 muestras de n=20: x 1 = 3.2 Horas efectivas trabajadas en la semana de referencia x 2 = x =
44 Frecuencia Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral La distribución de la diferencia entre las medias muestrales de los beneficiarios y los no beneficiarios también tiene esta forma: 10,000 muestras de n=20: x m1 - x h1 = -5,2 x m2 - x h2 = -,... x m x h10000 = +1, Diferencia en el número de horas trabajadas semanalmente por mujeres y hombres 44
45 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral En el centro de la campana está el verdadero valor. La mayoría de muestras arrojan resultados cercanos. La forma de campana representa probabilidades A partir de esta campana, sé que casi todas las muestras que extraiga arrojarán diferencias negativas (indicando que los hombres trabajan más horas a la semana) Diferencia en el número de horas trabajadas semanalmente por mujeres y hombres Si sacáramos muchas muestras, solo unas pocas arrojarían resultados muy alejados del verdadero valor 45
46 Dos preguntas Variabilidad muestral Valor P Ejemplos Variabilidad muestral Conclusión: La variabilidad muestral es un fenómeno predecible: tiene forma de campana! Veamos ahora cómo este conocimiento nos sirve para alcanzar conclusiones acerca de si nos podemos fiar o no de los resultados que obtenemos a partir de una sola muestra. 46
47 Dos preguntas Variabilidad muestral Valor P Ejemplos 3. El valor P y el razonamiento estadístico 47
48 Dos preguntas Variabilidad muestral Valor P Ejemplos El razonamiento estadístico A partir de esta campana, puedo saber que casi todas las muestras que extraiga arrojarán diferencias negativas (indicando que los hombres trabajan más horas a la semana) Diferencia en el número de horas trabajadas semanalmente por mujeres y hombres Para hacer esto, necesitamos conocer la diferencia verdadera entre los promedios! (-6) 4
49 Dos preguntas Variabilidad muestral Valor P Ejemplos El razonamiento estadístico Generalmente, no extraemos 10,000 muestras de una población. 4
50 Dos preguntas Variabilidad muestral Valor P Ejemplos El razonamiento estadístico Generalmente, no extraemos 10,000 muestras de una población. Pero la teoría nos dice que si extrajéramos 10,000 muestras llegaríamos a esta forma de campaña. 50
51 Dos preguntas Variabilidad muestral Valor P Ejemplos El razonamiento estadístico Generalmente, no extraemos 10,000 muestras de una población. Pero la teoría nos dice que si extrajéramos 10,000 muestras llegaríamos a esta forma de campaña.????? Sin embargo, no sabemos cual es la diferencia verdadera entre el promedio de horas trabajadas por hombres y mujeres. 51
52 Dos preguntas Variabilidad muestral Valor P Ejemplos El razonamiento estadístico El razonamiento estadístico opera del siguiente modo: 1) Extraemos una muestra y observamos que el promedio de horas trabajadas por las mujeres es 3 horas inferior que el de los hombres (diferencia = -3).?-12?-6? 0 6? 12? 2) Pese a lo observado, tenemos que hacer un supuesto: la diferencia real en el promedio de horas trabajadas por hombres y mujeres es cero. 52
53 Dos preguntas Variabilidad muestral Valor P Ejemplos El razonamiento estadístico Esto es parecido a lo que sucede en un juicio: el acusado El razonamiento es inocente estadístico hasta que se prueba opera del lo contrario. siguiente modo: Aquí, asumimos que no hay diferencia 1) Extraemos una muestra y en las horas trabajadas por hombres observamos que el promedio de y mujeres, y vemos si la evidencia horas trabajadas por las mujeres muestral contradice este supuesto es 3 horas inferior que el de los hombres (diferencia = -3).????? ) Pese a lo observado, tenemos que hacer un supuesto: la diferencia real en el promedio de horas trabajadas por hombres y mujeres es cero. 53
54 Dos preguntas Variabilidad muestral Valor P Ejemplos El razonamiento estadístico 2) Pese a lo observado, tenemos que hacer un supuesto: la diferencia real en el promedio de horas trabajadas por hombres y mujeres es cero. 3) Seguidamente hacemos el siguiente razonamiento: Si la diferencia real fuera cero, cuál sería la probabilidad de obtener una muestra aleatoria que arrojara una diferencia de -3, (la diferencia que observé en la muestra aleatoria que extraje)? 54
55 Dos preguntas Variabilidad muestral Valor P Ejemplos El razonamiento estadístico 4) Ahora examinamos la curva normal y vemos si sería probable o improbable obtener una diferencia igual a -3 bajo el supuesto de que la diferencia verdadera es cero (no hay diferencia en las horas trabajadas por hombres y mujeres) Si en el gráfico se observa que -3 está cerca de cero, la probabilidad es alta. Si en el gráfico se observa que -3 está lejos de cero, la probabilidad es baja. 55
56 Dos preguntas Variabilidad muestral Valor P Ejemplos El razonamiento estadístico 5) Finalmente, llegamos a una conclusión, a ó b: a) Si, bajo el supuesto de que el valor real de la diferencia entre mujeres y hombres es cero, la probabilidad de obtener una diferencia de -3 es alta Me puedo creer que la diferencia real es cero. b) Si, bajo el supuesto de que el valor real de la diferencia entre ambos grupos es cero, la probabilidad de obtener una diferencia de -3 es baja El supuesto de que la diferencia es cero parece ser incorrecto. 56
57 Dos preguntas Variabilidad muestral Valor P Ejemplos El razonamiento estadístico Ahora imaginemos que en vez de hallar una diferencia de -3, la muestra extraída arroja una diferencia de -: a) Si, bajo el supuesto de que el valor real de la diferencia entre mujeres y hombres es cero, la probabilidad de obtener una diferencia de - es alta Me puedo creer que la diferencia real es cero b) Si, bajo el supuesto de que el valor real de la diferencia entre ambos grupos es cero, la probabilidad de obtener una diferencia de - es baja El supuesto de que la diferencia es cero parece ser incorrecto. 57
58 Dos preguntas Variabilidad muestral Valor P Ejemplos El valor P Extraigo una muestra aleatoria, y calculo la diferencia en el promedio de horas trabajadas por hombres y mujeres. Bajo el supuesto de que la diferencia real es cero, cuál sería la probabilidad de que mi muestra arroje un resultado igual que el observado u otro aún más alejado de cero? Esa probabilidad es el valor P. Valor P -3 Valor P
59 Dos preguntas Variabilidad muestral Valor P Ejemplos Cuál de estos dos resultados sugiere que la diferencia observada existe en la población, y no solo en la muestra? A. Media muestral igual a -3, y valor P grande B. Media muestral igual a -, y valor P pequeño Valor P -3 Valor P
60 Dos preguntas Variabilidad muestral Valor P Ejemplos El valor P Resumiendo: concluimos que la diferencia existe en la población cuando el valor P es pequeño ( muy pequeño!). Valor P -3 Valor P
61 Dos preguntas Variabilidad muestral Valor P Ejemplos El valor P Regla: se dice que la diferencia existe en la población cuando el valor P es igual o menor que 0,05 (5%). En el lenguaje técnico, se dice que una diferencia es estadísticamente significativa con un 5% de confianza cuando el valor P es igual o menor a 0,05. 61
62 Dos preguntas Variabilidad muestral Valor P Ejemplos El valor P Volvamos ahora al artículo académico sobre el programa Oportunidades y la calidad de la atención médica que reciben las mujeres embarazadas 62
63 Dos preguntas Variabilidad muestral Valor P Ejemplos El valor P Diferencias estadísticamente significativas con un 5% de confianza (P<0.05) 63
64 Dos preguntas Variabilidad muestral Valor P Ejemplos El valor P *Diferencias estadísticamente significativas con un 0% de confianza (P<0.1) ** Diferencias estadísticamente significativas con un 5% de confianza (P<0.05) *** Diferencias estadísticamente significativas con un % de confianza (P<0.01) *** * *** *** *** ** *** *** 64
65 Dos preguntas Variabilidad muestral Valor P Ejemplos Dos preguntas clave: 1. La diferencia observada en los datos muestrales, existe realmente? Dado que mis datos son muestrales, cómo puedo estar seguro de que la diferencia observada entre ambos grupos existe también en la población en su conjunto? 2. La diferencia observada, es el resultado de la intervención? Suponiendo que la diferencia existe en la población general, puedo interpretar esa diferencia como el efecto causal del programa? 65
66 Dos preguntas Variabilidad muestral Valor P Ejemplos Dos preguntas clave: 1. La diferencia observada en los datos muestrales, existe realmente? Dado que mis datos son muestrales, cómo puedo estar seguro de que la diferencia observada entre ambos grupos existe también en la población en su conjunto? 2. La diferencia observada, es el resultado de la intervención? Suponiendo que la diferencia existe en la población general, puedo interpretar esa diferencia como el efecto causal del programa? 66
67 Dos preguntas Variabilidad muestral Valor P Ejemplos Tabla de balance 67
68 Dos preguntas Variabilidad muestral Valor P Ejemplos Tabla de balance 6
69 Dos preguntas Variabilidad muestral Valor P Ejemplos A destacar Cuando obtenemos datos de una población a partir de una muestra aleatoria, existe incertidumbre sobre si lo observado está cerca o lejos del valor verdadero. La teoría estadística nos permite alcanzar conclusiones teniendo en cuenta dicha incertidumbre. Para que esto sea posible, es necesario que la muestra sea aleatoria. En los resultados de una investigación, el valor P nos ayuda a saber qué diferencias observadas en la muestra existen en la población de interés. Para que una diferencia entre dos medias sea estadísticamente significativa, el valor P tiene que ser igual o inferior a 0.05 (ó 0.1) 6
70 Dos preguntas Variabilidad muestral Valor P Ejemplos 4. Ejemplos 70
71 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa Tikichuela Programa piloto implementado en Paraguay. Dirigido a desarrollar destrezas prematemáticas en niños en edad prescolar, para construir las bases para las matemáticas de primaria y secundaria. 256 escuelas: la intervención se asignó aleatoriamente a 131 escuelas; el resto de establecimientos formaron el grupo de control. 71
72 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa Tikichuela Impacto de Tikichuela: Diferencia entre el resultado del grupo de tratamiento y el grupo de control. El grupo de beneficiarios obtuvo un resultado 16 puntos mayor que el grupo de control. Expresado como porcentaje, el incremento fue del,2%. 72
73 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa Tikichuela Diferencia = 1, Valor P = 0.06 Diferencia = 0,3 Valor P = 0.15 Diferencia estadísticamente significativa con un nivel de confianza del 0% 73
74 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa de capacitación laboral En 2002, el gobierno colombiano puso en marcha el programa Jóvenes en Acción, consistente en cursos gratuitos de formación técnica con un componente de asistencia a clases y otro de prácticas laborales Los cursos se ofrecieron a jóvenes de 1 a 25 años de bajos ingresos que estuvieran desempleados. Alcanzó a 0,000 personas en las siete ciudades más grandes del país. Tras acabar, se realizó una encuesta aleatoria a 2,000 personas, incluyendo participantes y no participantes. 74
75 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa de capacitación laboral Diferencia estadísticamente significativa. 75
76 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa de información sobre becas En Chile, se realizó un experimento consistente en mostrar un video a estudiantes de 12 y 13 años, dando información acerca de becas para educación superior. Informar acerca de la existencia de estas becas y de sus requisitos podría incentivar un mayor esfuerzo por parte de los estudiantes. 76
77 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa de información sobre becas 77
78 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa de información sobre becas En este programa hubo en realidad dos grupos de tratamiento (beneficiarios) y un grupo de control: A. Grupo Estudiante : el video fue mostrado a los niños en la sala de clases. B. Grupo Familia : los estudiantes recibieron una copia del video en DVD y se les pidió que lo vieran en casa con sus padres. Grupo de comparación: no recibieron información. 7
79 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa de información sobre becas Nota promedio al final del curso grade (octavo básico) en el grupo de control. 2. Diferencia en puntaje promedio entre el grupo de tratamiento y el grupo de control. 3. Tasa de matrícula en preuniversitario en el grupo de control, expresado en tanto por 1. Multiplícalo por 100 para expresarlo en tanto por cien! 4. Diferencia en la tasa de matrícula entre el grupo de tratamiento y el grupo de control. Multiplícala por cien para que la diferencia quede expresada en puntos porcentuales. 7
80 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa de información sobre becas El grupo de control obtuvo un puntaje medio de 53.6 al final de Grade ; los participantes de la intervención A tenían notas 0.61 puntos más bajas, pero esta diferencia no es estadísticamente significativa. En el grupo de control, el 60% de los estudiantes se matriculó en preparatoria; esta tasa fue 6.1 puntos porcentuales mayor en el grupo de participantes de la intervención A, pero esta diferencia no es estadísticamente significativa. 0
81 Dos preguntas Variabilidad muestral Valor P Ejemplos Programa de información sobre becas El grupo de control obtuvo un puntaje medio de 53.6 al final de Grade ; los participantes de la intervención B tenían notas entre y 0.30 puntos más altas, pero esta diferencia no es estadísticamente significativa. En el grupo de control, el 60% de los estudiantes se matriculó en preparatoria; esta tasa fue entre 6.4 y 13.2 puntos porcentuales mayor en el grupo de participantes de la intervención B, y esta diferencia es estadísticamente significativa. 1
82 Gracias! Jeanne Lafortune Pontificia Universidad Católica de Chile J-PAL LAC 2
Poder estadístico. Francisco Gallego. Director Científico J-PAL LAC Profesor Asociado Pontificia Universidad Católica de Chile
Poder estadístico Francisco Gallego Director Científico J-PAL LAC Profesor Asociado Pontificia Universidad Católica de Chile Propiedad intelectual El contenido de la siguiente clase es propiedad del Abdul
Ciudad de Guatemala, 2013
Ciudad de Guatemala, 2013 1 Clase 3 Por qué aleatorizar? D i e g o A y c i n e n a d i e g o a a @ u f m. e d u Centro Vernon Smith de Economía Experimental Universidad Francisco Marroquín 2 Clases (Profesores)
Inferencia Causal: Amenazas al diseño experimental y análisis de datos. Juan Saavedra RAND Coorporation
Inferencia Causal: Amenazas al diseño experimental y análisis de datos Juan Saavedra RAND Coorporation Contexto del Curso 1. Introducción a las Evaluaciones de Impacto 2. Teoría de Cambio e Indicadores
Cómo construir un grupo de comparación adecuado para medir resultados:
TALLER DE EVALUACIÓN DE IMPACTO Cómo construir un grupo de comparación adecuado para medir resultados: Buenos y malos contrafactuales Andrés Ham Universidad de Illinois Urbana-Champaign 4 de Abril de 2017
Ciudad de Guatemala, 2013
Ciudad de Guatemala, 2013 1 Clase 3 Por qué aleatorizar? Diego Aycinena diegoaa@ufm.edu Centro Vernon Smith de Economía Experimental Universidad Francisco Marroquín 2 Clases (Profesores) Horario Actividades
Ciudad de Guatemala, 2013
Ciudad de Guatemala, 2013 1 Sesión 6 Amenazas y análisis Sebastián Galiani galiani@econ.umd.edu University of Maryland & J-PAL 2 Clases (Profesores) Agenda Actividades en Grupo (Todos) Trabajo en Grupo
Definiciones. Herramientas de Evaluación en Proyectos de Innovación Social Santiago, del 23 de abril al 14 de mayo de 2014
Caso de Estudio 2. Transferencias Monetarias Condicionadas: El impacto sobre la salud de los niños Identificando el contrafactual con métodos no experimentales Este caso está basado en Paul Gertler, 2004.
Clase de Métodos 1: Inferencia Causal y Métodos Cuasi-Experimentales. Sveta Milusheva DIME, World Bank
Clase de Métodos 1: Inferencia Causal y Métodos Cuasi-Experimentales Sveta Milusheva DIME, World Bank Conceptos Importantes Indicadores de Resultados (Outcomes): Lo que observamos, medimos y queremos afectar
Materia: Matemática de Octavo Tema: Sucesos. Marco teórico
Materia: Matemática de Octavo Tema: Sucesos En esta lección aprenderás términos básicos de la estadística y algunas reglas de la probabilidad. También aprenderás cómo enumerar eventos simples y muestras
JPAL101SPAx Evaluación de Impacto de Programas Sociales Programa del Curso Francisco Gallego Marc Shotland Mayo, Descripción del curso
JPAL101SPAx Evaluación de Impacto de Programas Sociales Programa del Curso Francisco Gallego Marc Shotland Mayo, 2015 1. Descripción del curso El curso Evaluación de Impacto de Programas Sociales de J-
Estadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Resumen Ejecutivo del Informe. Análisis Metodológico de la Encuesta del Centro de Estudios Públicos
Resumen Ejecutivo del Informe Análisis Metodológico de la Encuesta del Centro de Estudios Públicos Pablo Marshall Profesor Titular Escuela de Administración Pontifica Universidad Católica de Chile pmarshall@uc.cl
Resultan impredecibles, al tratarse de un proceso aleatorio, no podemos anticipar lo que sucederá. Vídeo de YouTube
Debes acceder a las actividades EDUCAPLAY y repasar los conceptos vistos en clase. 1. La estadística y su importancia La estadística es en sí misma una disciplina, que muchos le dan el carácter de científica,
J-PAL y Evaluaciones Experimentales. Ryan Cooper J-PAL Latinoamérica y el Caribe
J-PAL y Evaluaciones Experimentales Ryan Cooper J-PAL Latinoamérica y el Caribe Presentación J-PAL: Qué es, la misión y su importancia. En pos de la misión. Evaluación de Impacto en la práctica: Consideraciones
Distribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides
Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico
Examen Final A Total puntos: /100. Buena suerte y éxito! Utilice la siguiente información para responder a las preguntas 1 al 5.
Universidad de Puerto Rico, Recinto de Río Piedras Instituto de Estadística y Sistemas Computarizados de Información Estadísticas para administración de empresas (ESTA 3041) Nombre: Número de estudiante:
Como leer y supervisar una Evaluación de Impacto: Regresión Discontinua. Diether W. Beuermann, Ph.D. Oficina de Evaluación y Supervisión
Como leer y supervisar una Evaluación de Impacto: Regresión Discontinua Diether W. Beuermann, Ph.D. Oficina de Evaluación y Supervisión Intuición El objetivo de esta y todas las metodologías no experimentales
La más famosa de las campanas
La más famosa de las campanas Dice el diccionario que una campana es un dispositivo simple que emite un sonido. Pero una campana puede ser muchas cosas más. Creo que hay hasta una planta con ese nombre
4. Prueba de Hipótesis
4. Prueba de Hipótesis Como se ha indicado anteriormente, nuestro objetivo al tomar una muestra es extraer alguna conclusión o inferencia sobre una población. En nuestro interés es conocer acerca de los
Tema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Control Estadístico de Procesos. Medidas de Tendencia Central
Control Estadístico de Procesos Medidas de Tendencia Central Una característica importante de cualquier población es su posición, es decir, donde está situada con respecto al eje de abscisas (Eje horizontal).
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL.
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL. Un intervalo de confianza, para un parámetro poblacional θ, a un nivel de confianza 1 α 100 %, no es más que un intervalo L
Intervalos de confianza Muestras grandes. Estadística Cátedra Prof. Tamara Burdisso
Intervalos de confianza Muestras grandes Por qué un intervalo de confianza? En la Unidad 3 revisamos los conceptos de población y muestra. Los parámetros poblacionales son la media μy la varianza σ 2.
Inferencia causal. Francisco Gallego PUC Chile y J-PAL Santiago, 9 de abril de 2013
Inferencia causal Francisco Gallego PUC Chile y J-PAL Santiago, 9 de abril de 23 Mapa I. Motivación II. Evaluación de Impacto y Contrafactual III. Análisis causal IV. Análisis causal y Efectos Tratamiento
Preguntas más Frecuentes: Tema 6
Preguntas más Frecuentes: Tema 6 Pulse sobre la pregunta para acceder directamente a la respuesta 1. En el ejemplo 6.2, no entiendo por qué dividimos entre 8. Si tiro 3 veces la moneda y las opciones son
Ejercicio 1(10 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa
Ciudad de Guatemala, 2013
Ciudad de Guatemala, 2013 1 Ejercicio 1 La mecánica de la aleatorización y el balance estadístico. Thomas Vargas tvargas@povertyactionlab.org thomasvargasc J-PAL LAC 2 Objetivos Mostrar el proceso de aleatorización
Muestreo y distribuciones muestrales.
Mathieu Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Cartagena, Enero 2010 Guión 1 Introducción 2 La media muestral Esperanza y varianza de la media muestral La
Bioestadística para Reumatólogos
Bioestadística para Reumatólogos Xavier Barber Vallés Mabel Sánchez Barrioluengo Colaboradores - Umh Todos los datos que se muestran son ficticios Tablas 2x2: Riesgos Relativos y Odds ratio En cada sociedad
Medicina basada en la evidencia Resultados
Resultados Carlos Ochoa Sangrador 14/02/2013 1 Tratamiento 30 70 Reducción absoluta del riesgo RAR = 0,60-0,30 = 0,30 Reducción relativa del riesgo 0,6-0,3 RRR = = 0,50 0,6 Muestra 60 40 Población Control
2. Distribuciones de Muestreo
2. Distribuciones de Muestreo Conceptos básicos Para introducir los conceptos básicos consideremos el siguiente ejemplo: Supongamos que estamos interesados en determinar el número medio de televisores
Inferencia estadística: Prueba de Hipótesis. Jhon Jairo Padilla A., PhD.
Inferencia estadística: Prueba de Hipótesis Jhon Jairo Padilla A., PhD. Justificación Es una etapa de análisis de datos de un experimento comparativo: Se compara un parámetro de una v.a. con un valor dado.
PROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS
Estadística 1 PROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS 1. Obtener un estimador insesgado para p en una m.a.s. de tamaño n de una distribución binomial B(m,p) con m conocido y calcular su error
PONTIFICIA UNIVERSIDAD CATÓLICA DE PUERTO RICO DEPARTAMENTO DE FÍSICA MATEMÁTICAS. Sec. Repaso EX III MAT. 298 Núm.
PONTIFICIA UNIVERSIDAD CATÓLICA DE PUERTO RICO DEPARTAMENTO DE FÍSICA MATEMÁTICAS Nombre: Fecha: Sec. Repaso EX III MAT. 298 Núm. I. Verdadero (V) o Falso (F).. La Curva de Probabilidad Normal Estándar
Introducción a la inferencia estadística
M. Wiper Estadística 1 / 15 Introducción a la inferencia estadística Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 15 Objetivo Introducir la distribución
Evaluación de principio a fin
Evaluación de principio a fin Francisco Gallego Director Científico J-PAL LAC Profesor Asociado Pontificia Universidad Católica de Chile Propiedad intelectual El contenido de la siguiente clase es propiedad
Interpretación de pruebas estadísticas y epidemiológicas. César A. Gutiérrez Villafuerte
Interpretación de pruebas estadísticas y epidemiológicas César A. Gutiérrez Villafuerte Población (N) Parámetros Muestreo Inferencia Muestra (n) s p x Estadísticos Hipótesis Estadística Es una proposición
1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Economía Aplicada. Causalidad y Experimentos Sociales. Departmento de Economía Universidad Carlos III de Madrid
Economía Aplicada Causalidad y Experimentos Sociales Departmento de Economía Universidad Carlos III de Madrid Outline 1 Resultados Potenciales y Causalidad 2 Efectos del tratamiento 3 El Estimador de Diferencias
3.3. Dispersión del fenómeno e incertidumbre de la medición
3.3. Dispersión del fenómeno e incertidumbre de la medición En esta experiencia, nos centraremos en promover la comprensión del sentido físico que tienen, dentro del desarrollo de la actividad experimental,
El plan de muestreo. Oscar Federico Nave Herrera Coordinador del Programa de Asesoría Estadística para Investigación -Digi-
El plan de muestreo Oscar Federico Nave Herrera Coordinador del Programa de Asesoría Estadística para Investigación -Digi- Y ahora qué? Cuántas muestras debo tomar? Cuántas veces debo realizar los ensayos?
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del estimador.
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMATICAS E.A.P. DE..INVESTIGACIÓN OPERATIVA Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del
Pruebas de Hipótesis
Pruebas de Hipótesis Una prueba de hipótesis es una técnica de Inferencia Estadística que permite comprobar si la información que proporciona una muestra observada concuerda (o no) con la hipótesis estadística
Evaluación de principio a fin
Evaluación de principio a fin Jeanne Lafortune Profesora Afiliada J-PAL LAC Profesora Asociada Pontificia Universidad Católica de Chile Propiedad intelectual El contenido de la siguiente clase es propiedad
Segundo Trimestre 2013
S072 de Desarrollo Ramo 20 Desarrollo Social Unidad G00-Coordinación Nacional Enfoques Eje de Política Pública ALINEACIÓN Plan Nacional de Desarrollo 2007-2012 Derivado del PND 2007-2012 Objetivo estratégico
Teoría de muestras. Distribución de variables aleatorias en el muestreo. 1. Distribución de medias muestrales
Teoría de muestras Distribución de variables aleatorias en el muestreo 1. Distribución de medias muestrales Dada una variable estadística observada en una población, se puede calcular se media y su desviación
Práctica 8: Test de hipótesis
: Test de hipótesis 1. Un director de manufactura debe convencer a la gerencia que un nuevo método de fabricación reduce los costos, antes de poder implementarlo. El método actual funciona con un costo
Evaluación de Impacto: Programa de Apoyo al Micro Emprendimiento (PAME)
Evaluación de Impacto: Programa de Apoyo al Micro Emprendimiento (PAME) Claudia Martínez A. Profesora Asociada y Afiliada J-PAL I nstituto de Economía, PUC Jamie Ruiz-Tagle Profesor Asistente Departamento
Tema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
GUÍA DOCENTE DE LA ASIGNATURA ESTADÍSTICA APLICADA
GUÍA DOCENTE DE LA ASIGNATURA ESTADÍSTICA APLICADA DATOS BÁSICOS DE LA ASIGNATURA Nombre: Titulación: Centro: Tipo: Créditos: Curso: Prerrequisitos: Profesor: Dpto.: Estadística Aplicada. Licenciatura
ESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS (por jmd matetam.com)
ESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS (por jmd matetam.com) ESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS... 1 DEFINICIONES BÁSICAS... 1 Estadística... 1 Estadística descriptiva... 1 Estadística inferencial...
Análisis de la covarianza
Análisis de la covarianza Preparado por Luis M. Molinero (Alce Ingeniería) CorreoE: bioestadistica alceingenieria.net Artículo en formato PDF Enero 2002 El análisis de la covarianza es una técnica estadística
Mejorar la salud. materna. Objetivo 5: Mejorar la salud materna.
43 Objetivo 5: Mejorar la salud materna. Las complicaciones durante el embarazo y el parto son la causa principal de defunción y discapacidad entre las mujeres en edad reproductiva en los países en desarrollo,
Estadísticas II. M. en E. M. Milagros Eugenia Faci. 15 de julio de 2010
010 Estadísticas II M. en E. M. Milagros Eugenia Faci 1 de julio de 010 Estadísticas II CONTENIDO INTRODUCCIÓN...3 PASO 1. DATOS DEL COEFICIENTE INTELECTUAL DE LA CLASE ALTA, MEDIA Y BAJA...3 PASO. ENCONTRAR
DATOS DEL PROGRAMA S072 Programa de Desarrollo Humano Oportunidades Humano Oportunidades
S072 de Desarrollo responsable del de Desarrollo transversales ALINEACIÓN Plan Nacional de Desarrollo 2007-2012 Derivado del PND 2007-2012 Objetivo estratégico de la Dependencia o Entidad Eje de Política
Desafíos después del diseño
Desafíos después del diseño Jeanne Lafortune Profesora Afiliada J-PAL LAC Profesora Asociada Pontificia Universidad Católica de Chile Propiedad intelectual El contenido de la siguiente clase es propiedad
Fundamentos para la inferencia. Estadística Prof. Tamara Burdisso
Fundamentos para la inferencia Estadística 018 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Estadística 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
Artículo de los payasos
Artículo de los payasos (Página 30 a 3 del libro de Técnica estadística y diseño de investigación) Utilizando los datos de la tabla 3 podemos completar la siguiente información (valores p de probabilidad
Encuestas y margen de error: una guía práctica
buena prensa Encuestas y margen de error: una guía práctica JOSU MEZO En mis primeras colaboraciones en esta sección 1 hablé de algunos conocimientos básicos sobre las encuestas, que, en mi opinión, todo
Fundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 017 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Fundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 016 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
ecuadorencifras.gob.ec DICIEMBRE 2014
7 DICIEMBRE 2014 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 de Empleo, Desempleo
Qué funciona para mejorar el empleo juvenil?
Qué funciona para mejorar el empleo juvenil? Evidencia y Curso Incubadora Claudia Macías Directora de Políticas Públicas, J-PAL 3 de mayo 2018 Síguenos en nuestras redes sociales @JPAL_LAC /JPAL.Global/
AGRO Examen Parcial 2. Nombre:
1 Nombre: Examen Parcial 2 AGRO 5005 2016 Instrucciones: Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden usar el libro y la calculadora. Para obtener crédito parcial las respuestas
Mediciones II. Todas las mediciones tienen asociada una incertidumbre que puede deberse a los siguientes factores:
Mediciones II Objetivos El alumno determinará la incertidumbre de las mediciones. El alumno determinará las incertidumbres a partir de los instrumentos de medición. El alumno determinará las incertidumbres
La medición de la desigualdad económica
La medición de la desigualdad económica La medida de desigualdad económica mas comúnmente utilizada es la distribución del ingreso percibido por las personas durante un periodo determinado de tiempo generalmente
12. (SEPTIEMBRE 2004) Una muestra aleatoria de 9 tarrinas de helado proporciona los siguientes pesos en gramos
DEPARTAMENTO DE MATEMÁTICAS UNIDAD 5. Estadística IES Galileo Galilei EJERCICIOS DE SELECTIVIDAD 1. (JUNIO 2000) Una variable aleatoria X tiene distribución normal siendo su desviación típica igual a 3.
CONFIABILIDAD DE LOS INSTRUMENTOS DE EVALUACIÓN Santiago Salas Ver
CONFIABILIDAD DE LOS INSTRUMENTOS DE EVALUACIÓN Santiago Salas Ver 16.05.15 Éste artículo toma como punto de partida la teoría de muestreo para estimar la confiabilidad de un instrumento de evaluación,
Estadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 6. Contraste de hipótesis
Estadís5ca Tema 6. Contraste de hipótesis María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica
Estadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Apuntes de Estadística Curso 2017/2018 Esther Madera Lastra
1 1. MEDIA Y DESVIACIÓN TÍPICA DE DISTRIBUCIONES La media de un conjunto de datos se calcula sumando todos los datos y dividiendo entre el número de datos. La varianza de un conjunto de datos se calcula
Cuando los ceros de la p sí importan
Cuando los ceros de la p sí importan Ya sabemos que para contrastar la igualdad de medias de dos muestras que se distribuyan de forma normal podemos utilizar la prueba de la t de Student. Así que asumimos
Por qué aleatorizar? Dan Levy. Profesor Afiliado J-PAL Senior Lecturer in Public Policy Harvard Kennedy School
Por qué aleatorizar? Dan Levy Profesor Afiliado J-PAL Senior Lecturer in Public Policy Harvard Kennedy School Propiedad intelectual El contenido de la siguiente clase es propiedad del Abdul Latif Jameel
Unidad 3: Incertidumbre de una medida
Apoyo para la preparación de los estudios de Ingeniería y Arquitectura Física (Preparación a la Universidad) Unidad 3: Incertidumbre de una medida Universidad Politécnica de Madrid 12 de abril de 2010
NOTA ESTADÍSTICA ENCUESTA SUPLEMENTARIA DE INGRESOS (ESI)
NOTA ESTADÍSTICA ENCUESTA SUPLEMENTARIA DE INGRESOS (ESI) Julio de 2017 Los errores de muestreo existen como consecuencia de la utilización de una parte de la población para estimar características de
Unidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Capítulo 3: Metodología y variables
Capítulo 3: Metodología y variables 3.1 Modelo econométrico El objetivo de este estudio es probar si existe una relación de largo plazo entre la inversión de Chile y las variables explicativas. Se utiliza
Estimación de probabilidades condicionadas.
Grado 10 Matematicas - Unidad 5 Elementos adicionales de un análisis estadístico Tema Estimación de probabilidades condicionadas. Nombre: Curso: Identificar la existencia de los experimentos aleatorios
PROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Primera evaluación de impacto del Programa Presidencial de Salud, Educación y Nutrición Bono 10,000 en zonas rurales de la República de Honduras
Primera evaluación de impacto del Programa Presidencial de Salud, Educación y Nutrición Bono 10,000 en zonas rurales de la República de Honduras I. Descripción del programa El Programa Bono 10,000 es una
7. Inferencia Estadística. Métodos Estadísticos para la Mejora de la Calidad 1
7. Inferencia Estadística Métodos Estadísticos para la Mejora de la Calidad 1 Tema 7: Inferencia Estadística 1. Intervalos de confianza para μ con muestras grandes 2. Introducción al contraste de hipótesis
SOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004
Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras
Tema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Reporte 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
Distribuciones Muestrales e Intervalos de Confianza
Distribuciones Muestrales e Intervalos de Confianza Sesión 5 Dr. Carlos J. Vilalta (DAP) Estadística - Curso propedéutico MAPP 2016 Centro de Investigación y Docencia económicas (CIDE) Contacto: carlos.vilalta@cide.edu
EVALUACIÓN 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
Otra 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
Bioestadística. Conocer el proceso para contrastar hipótesis y su relación con el método científico. Diferenciar entre hipótesis nula y alternativa
Bioestadística Tema 7: Introducción a los contrastes de hipótesis Tema 7: Contrastes de hipótesis 1 Objetivos del tema Conocer el proceso para contrastar hipótesis y su relación con el método científico.
Cap. Distribuciones de. probabilidad. discreta. Distribuciones de probabilidad. discreta Pearson Prentice Hall. All rights reserved
Cap 6 36 Distribuciones de Distribuciones de probabilidad discreta probabilidad discreta Variables aleatorias Una variable aleatoria (v.a.) es un número real asociado al resultado de un experimento aleatorio
Necesidades Teórica Procesos Impacto Costo-Efectividad Herramientas de Evaluación de Impacto e Innovación Social
Herramientas de de Impacto e Innovación Social 23 de abril 14 de mayo 2014 Santiago, Chile 1 Clase 2 Tipos de evaluación Ryan Cooper rcooper@povertyactionlab.org @ryancooper_b J-PAL LAC 2 Índice 1. Evaluando
Tema 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
Cómo Justificar Económicamente un Proyecto de. Mejora de la Capacidad Estadística de un. Proceso.
Cómo Justificar Económicamente un Proyecto de Mejora de la Capacidad Estadística de un Proceso. Ing. José Luis Oviedo Velázquez Fábrica Digital, S.A. de C.V. México, D.F. 1 Resumen. Se explica un procedimiento
Unidad Temática 2: Unidad 5 Estadística Inferencial Temas 10 y 11
Unidad Temática 2: Unidad 5 Estadística Inferencial Temas 10 y 11 Distribución de Probabilidad Recordamos conceptos: Variable aleatoria: es aquella que se asocia un número o un dato probabilístico, como
INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS
INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS Autor: Clara Laguna 6.1 INTRODUCCIÓN En el tema anterior estudiamos cómo a partir de una muestra podemos obtener una estimación puntual o bien establecer
ASIGNATURA DE BIOESTADÍSTICA III. COMPETENCIAS Y SUS COMPONENTES COMPRENDIDOS EN LA ASIGNATURA
ASIGNATURA DE BIOESTADÍSTICA I. DATOS GENERALES 1.1. Departamento Académico : Ciencias Básicas 1.2. Semestre Académico : 2018-II 1.3. Código de la asignatura : 101322 1.4. Año : 2018 1.5. Créditos : 04