Este documento introduce conceptos básicos de estadística inferencial. Explica que la estadística inferencial permite deducir cómo se distribuye una población a partir de una muestra representativa. Para que sea efectiva, debe basarse en técnicas estadísticas adecuadas y usar muestras suficientemente grandes y representativas. Luego presenta un ejemplo para comparar tres métodos de enseñanza y resolver preguntas sobre cuál es el mejor método y si funcionará para un estudiante en particular.
0 calificaciones0% encontró este documento útil (0 votos)
50 vistas18 páginas
Este documento introduce conceptos básicos de estadística inferencial. Explica que la estadística inferencial permite deducir cómo se distribuye una población a partir de una muestra representativa. Para que sea efectiva, debe basarse en técnicas estadísticas adecuadas y usar muestras suficientemente grandes y representativas. Luego presenta un ejemplo para comparar tres métodos de enseñanza y resolver preguntas sobre cuál es el mejor método y si funcionará para un estudiante en particular.
Este documento introduce conceptos básicos de estadística inferencial. Explica que la estadística inferencial permite deducir cómo se distribuye una población a partir de una muestra representativa. Para que sea efectiva, debe basarse en técnicas estadísticas adecuadas y usar muestras suficientemente grandes y representativas. Luego presenta un ejemplo para comparar tres métodos de enseñanza y resolver preguntas sobre cuál es el mejor método y si funcionará para un estudiante en particular.
Este documento introduce conceptos básicos de estadística inferencial. Explica que la estadística inferencial permite deducir cómo se distribuye una población a partir de una muestra representativa. Para que sea efectiva, debe basarse en técnicas estadísticas adecuadas y usar muestras suficientemente grandes y representativas. Luego presenta un ejemplo para comparar tres métodos de enseñanza y resolver preguntas sobre cuál es el mejor método y si funcionará para un estudiante en particular.
También se le llama inferencia estadística, pero previamente recordemos que la
estadística (EI) comprende el conjunto de métodos estadísticos que permiten deducir (inferir) cómo se distribuye la población bajo estudio, a partir de la información que proporciona una muestra representativa obtenida de dicha población. Ver sección 1.6.2 del presente libro. Para que la estadística inferencial proporcione buenos resultados debe: 1. Basarse en una técnica estadístico-matemática adecuada al problema y suficientemente validada. 2. Utilizar una muestra que realmente sea representativa de la población y de un tamaño suficiente. Veamos el siguiente ejemplo: Ejemplo 2.1. Se realiza un estudio para comparar tres métodos para enseñar técnicas de comprensión lectora en inglés a escolares de segundo grado de Educación Básica Secundaria, como son: 1. El método de la enseñanza recíproca. 2. El método de instrucción directa. 3. La combinación de métodos de instrucción directa y enseñanza recíproca. 22 Para iniciarse en el estudio y aplicación de la estadística inferencial es necesario conocer los conceptos básicos que a continuación se van a tratar. Las preguntas por resolver son: 1. ¿Cuál de los métodos mejora la comprensión lectora? 2. ¿Para el próximo año el método, identificado como el mejor, dará buenos resultados para el alumno Javier Hernández León, quién realizará el segundo grado de Educación Básica Secundaria? La primera pregunta es un caso de incertidumbre porque basándonos en el estudio de tres muestras independientes y en igualdad de condiciones se aplicará uno de los tres métodos a cada muestra de manera independiente; con el apoyo de la estadística inferencial absolvemos esta pregunta, eligiendo a la que mejora significativamente la comprensión lectora para este tipo de alumnos. La segunda pregunta es un caso de toma de decisiones porque Javier Hernández León no ha participado en el estudio, pero se le aplicará el mejor método que resulte de la investigación realizada, ahora bien, con qué confianza diremos que ese método logrará que Javier mejore su comprensión lectora en inglés. Los casos de incertidumbre y toma de decisiones son resueltos por la estadística inferencial, por supuesto apoyada por la probabilidad. http://probabilidadyestadisticaavr.blogspot.com/2008/10/regla-de-adicion-unidad- ii.html
Regla de adición Los conjuntos compuestos se generan al aplicar las operaciones básicas. Las uniones de eventos, las intersecciones, y los complementos son de interés frecuente, la probabilidad de un evento compuesto a menudo pueden tenerse a partir de las probabilidades de cada uno de los eventos que le forman. En ocasiones las operaciones básicas de los conjuntos también son útiles para determinar la probabilidad de un evento compuesto.
Ejercicio:
La siguiente tabla presenta la historia de 940 obleas de un proceso de fabricación de
semiconductores. Supóngase que se elije al azar una oblea, Sea A el evento en que la oblea tiene altos niveles de contaminación y B el evento donde la oblea esta en el centro del instrumento.
Sea: A = {Altos niveles de contaminación}=358 B = {La oblea está en el centro del instrumento}=314
Determinar:
a) ¿Cómo Interpreta A inserción B y A unión B?
b) Calcule la probabilidad de cada evento.
Tenemos que:
AUB= 112+68+246 = 426
A intersección B= 246
Ya determinamos el inciso "a", ahora, para determinar el inciso "b", lo que se tiene que hacer es dividir el numero de datos del evento entre el numero total de datos:
Se lanzan un dado blanco y un dado negro. Encontrar la probabilidad de que la suma de
sus caras sea 7 y que el numero del dado negro sea mayor que eld el dado blanco.
Sean los eventos:
A={la suma de las caras es 7}
B={dado negro mayor a dado blanco}
P(A)= 6/36 = 1/6
P(B)= 16/36
P(A|B)= 3/15
P(A int B)= (3/15)(15/36) = 3/36 = 1/12
ht t p: / /ww w. vi tu to r. com / pr o/ 2/ a _17. htm l
Si A 1 , A 2 ,. . . , A n son :
Suc e s os i nc o mp at i ble s 2 a 2.
Y c uya un ió n e s e l es paci o mue s tr al ( A 1 A 2 ... A n =
E ).
Y B e s ot ro s uce s o.
R e s u lta que :
Las p ro ba bi lid ade s p(A 1 ) se de no min an pr oba bi l i da de s a
pr i ori .
Las pr ob a b il i da de s p( A i / B ) s e den om i na n pr oba b ili da de s a
po s t er io ri.
Las probabilidades p( B /A i ) se denominan verosimilitudes.
Ejemplos
E l 2 0% de lo s e mple a dos de una e m pres a s o n i ngen ie ro s y
ot r o 20 % s o n e co no mi s t a s. E l 75 % d e l os i n ge ni e ros o c upa n un pu es to di rec ti vo y e l 50 % d e l o s ec onom i s t as ta m bién, mie nt r as qu e l os n o in ge ni e ro s y l os n o ec on om i s ta s s ola me nte el 2 0% oc up a u n pue s t o dire c t ivo. ¿C uá l e s la pro ba bi li da d de q ue un e mp lea do di re cti vo e le gid o a l a zar se a inge ni er o? La p rob a bi li da d d e q ue ha ya un acci de nte en una f á br ica que di s p one de ala rm a es 0. 1. La p rob a b i li da d d e que s u ene e s ta s í se ha pro du ci do a l gú n in ci den te es de 0. 97 y l a p rob a bi li d ad de qu e s ue n e si no ha s uc edi do n in gú n i nc i de nte es 0. 0 2.
E n e l s u pue st o de qu e h aya f unci ona do l a al a rma, ¿ c uá l e s la
pr ob a b il i da d d e q ue no ha ya ha bi do ni ngún i nc i de nt e?
Para aplicar la Regla de Laplace, el cálculo de los sucesos favorables y de los sucesos posibles a veces no plantea ningún problema, ya que son un número reducido y se pueden calcular con facilidad:
Por ejemplo: Probabilidad de que al lanzar un dado salga el número 2. Tan sólo hay un caso favorable, mientras que los casos posibles son seis. Probabilidad de acertar al primer intento el horóscopo de una persona. Hay un caso favorable y 12 casos posibles.
Sin embargo, a veces calcular el número de casos favorables y casos posibles es
complejo y hay que aplicar reglas matemáticas:
Por ejemplo: 5 matrimonios se sientan aleatoriamente a cenar y queremos calcular la
probabilidad de que al menos los miembros de un matrimonio se sienten junto. En este caso, determinar el número de casos favorables y de casos posibles es complejo.
Las reglas matemáticas que nos pueden ayudar son el cálculo de combinaciones, el cálculo de variaciones y el cálculo de permutaciones.
a) Combinaciones:
Determina el número de subgrupos de 1, 2, 3, etc. elementos que se pueden formar con
los "n" elementos de una nuestra. Cada subgrupo se diferencia del resto en los elementos que lo componen, sin que influya el orden.
Por ejemplo, calcular las posibles combinaciones de 2 elementos que se pueden formar con los números 1, 2 y 3.
Se pueden establecer 3 parejas diferentes: (1,2), (1,3) y (2,3). En el cálculo de
combinaciones las parejas (1,2) y (2,1) se consideran idénticas, por lo que sólo se cuentan una vez.
b) Variaciones:
Calcula el número de subgrupos de 1, 2, 3, etc.elementos que se pueden establecer con
los "n" elementos de una muestra. Cada subgrupo se diferencia del resto en los elementos que lo componen o en el orden de dichos elementos (es lo que le diferencia de las combinaciones).
Por ejemplo, calcular las posibles variaciones de 2 elementos que se pueden establecer con los número 1, 2 y 3.
Ahora tendríamos 6 posibles parejas: (1,2), (1,3), (2,1), (2,3), (3,1) y (3,3). En este caso los subgrupos (1,2) y (2,1) se consideran distintos.
c) Permutaciones:
Cálcula las posibles agrupaciones que se pueden establecer con todos los elementos de un grupo, por lo tanto, lo que diferencia a cada subgrupo del resto es el orden de los elementos.
Por ejemplo, calcular las posibles formas en que se pueden ordenar los número 1, 2 y 3.
Hay 6 posibles agrupaciones: (1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2) y (3, 2, 1) ¿Cómo se calculan?
a) Combinaciones:
Para calcular el número de combinaciones se aplica la siguiente fórmula:
El termino " n ! " se denomina "factorial de n" y es la multiplicación de todos los
números que van desde "n" hasta 1.
Por ejemplo: 4 ! = 4 * 3 * 2 * 1 = 24
La expresión "Cm,n" representa las combinaciones de "m" elementos, formando
subgrupos de "n" elementos.
Ejemplo: C10,4 son las combinaciones de 10 elementos agrupándolos en subgrupos de
4 elementos:
Es decir, podríamos formar 210 subgrupos diferentes de 4 elementos, a partir de los 10
elementos.
b) Variaciones:
Para calcular el número de variaciones se aplica la siguiente fórmula:
La expresión "Vm,n" representa las variaciones de "m" elementos, formando
subgrupos de "n" elementos. En este caso, como vimos en la lección anterior, un subgrupo se diferenciará del resto, bien por los elementos que lo forman, o bien por el orden de dichos elementos.
Ejemplo: V10,4 son las variaciones de 10 elementos agrupándolos en subgrupos de 4
elementos:
Es decir, podríamos formar 5.040 subgrupos diferentes de 4 elementos, a partir de los
10 elementos. c) Permutaciones:
Para calcular el número de permutaciones se aplica la siguiente fórmula:
La expresión "Pm" representa las permutaciones de "m" elementos, tomando todos los elementos. Los subgrupos se diferenciaran únicamente por el orden de los elementos.
Ejemplo: P10 son las permutaciones de 10 elementos:
Es decir, tendríamos 3.628.800 formas diferentes de agrupar 10 elementos.
Una prueba es de una cola cuando la hipótesis alterna, H1, establece una dirección, como: H0 : el ingreso medio de las mujeres es menor o igual al ingreso medio de los hombres. H1 : el ingreso medio de las mujeres es mayor que el de los hombres.
Distribución de muestreo para el valor estadístico z, prueba de una cola, nivel de
significancia de .05
Prueba de significancia de dos colas
Una prueba es de dos colas cuando no se establece una dirección específica de la
hipótesis alterna H1, como: H0 : el ingreso medio de las mujeres es igual al ingreso medio de los hombres. H1 : el ingreso medio de las mujeres no es igual al ingreso medio de los hombres. Distribución de muestreo para el valor estadístico z, prueba de dos colas, nivel de significancia de 0.05 Prueba de hipótesis: dos medias poblacionales
Suponga que los parámetros para dos poblaciones son:
Para muestras grandes el estadístico de prueba es:
Cuando σ1 y σ2 no se conocen pero el tamaño de muestra n1 y n2 es mayor o
igual que 30, el estadístico de prueba es
Ejemplo: Se realizó un estudio para comparar los años promedio de servicio de quienes se retiraron en 1979 con los que se retiraron el año anterior en Delong Manufacturing Co. Con un nivel de significancia de .01 ¿podemos concluir que los trabajadores que se retiraron el año pasado trabajaron más años según la siguiente muestra? Nota: sea población #1= año anterior.
Paso 1:
Paso 2: Rechace H0 si z > 2.33
Paso 3:
Paso 4: Como z = 6.80 > 2.33, H0 se rechaza. Los que se retiraron el año anterior tenían más años de servicio. http://www.itchihuahuaii.edu.mx/academico/cb/meg/documentos/3.1.htm
PASOS A SEGUIR EN UNA PRUEBA DE HIPOTESIS
1. Definir la Hipótesis estadística H0 y Ha
En la prueba de hipótesis, debemos establecer el valor supuesto o hipotetizado
del parámetro de población antes de comenzar a tomar la muestra. La suposición que deseamos probar se conoce como hipótesis nula Ho. Con base en los datos muestrales la hipótesis nula se rechaza o no rechaza. Nunca se puede aceptar la hipótesis nula como verdadera para demostrar sin lugar a dudas que la hipótesis es verdadera se tendría que conocer el parámetro de la población. El no rechazo solamente significa que la evidencia muestral no es lo suficientemente fuerte como para llevar a su rechazo. Es importante recordar que, sin importar como se determina el problema, la hipótesis nula siempre lleva el signo de igual ( = ).
Supongamos que deseamos probar la hipótesis de que la media de la población
es igual a 16. Lo simbolizaríamos y leeríamos “La hipótesis nula es que la media de la población es igual a 16”.
Ho: µ = 16
El término hipótesis nula surge de las primeras aplicaciones agrícolas y médicas
de la estadística. Con el fin de probar la efectividad un nuevo fertilizante o de una nueva medicina, la hipótesis que se probaba es que no tuvo efecto, es decir no tuvo diferencia entre las muestras tratadas y no tratadas.
La hipótesis alternativa describe la conclusión a la que se llegará si se rechaza a
la hipótesis nula. También se conoce como hipótesis de investigación. La hipótesis alternativa se acepta si los datos de la muestra proporcionan suficiente evidencia estadística de que la hipótesis nula es falsa. Consideraremos tres hipótesis alternativas posibles:
Ha: µ ≠ 16 Ha: µ > 16 Ha: µ < 16 El signo de igual ( = ) nunca aparecerá en la hipótesis alternativa. Porque la hipótesis nula es la declaración que se prueba, y es necesario incluir un valor especifico en los cálculos. La hipótesis alternativa se observa sólo si se demuestra que no es verdadera la hipótesis nula.
2. Establecer la estadística de prueba que sea apropiado.
Es un valor que se calcula con base a la información de la muestra, y que se
utiliza para determinar si se rechaza la hipótesis nula
Existen muchas estadísticas de prueba que pertenecen a una distribución
muestral con su propia forma, media y desviación estándar. Z, t, χ2, F Por ejemplo en la prueba de hipótesis para la media, la estadística de prueba Z se calcula por:
X−µ z= σ n El valor z se basa en la distribución de muestreo de X , que tiene una distribución normal cuando la muestra es razonablemente grande con µ , σ n . Así, es posible determinar si la diferencia entre la media muestral y la media poblacional es importante desde el punto de viste estadístico.
3. Definir el nivel de significancia y la zona de rechazo
El nivel de significancia es la probabilidad de rechazar la hipótesis nula cuando es verdadera es a lo que se llama error Tipo I. El nivel de significancia se define con la letra griega alfa ( α ).Se le llama también nivel de riesgo. No hay un nivel de significancia que se aplique a todas las pruebas. Se toma la decisión de utilizar los niveles 0.05 ( que con frecuencia se conoce como un nivel del 5%), .01, 0.10, o cualquiera entre 0 y 1 a elección de la persona que realiza la prueba.
La zona de rechazo son los valores de la estadística de prueba para los cuales se rechaza la hipótesis nula. La regla de decisión en la prueba de hipótesis, puede establecerse de tres maneras: Hacer liga con problema resuelto de prueba de hipótesis para la µ ( σ conocida ó n ≥ 30 ) 2
1. Regla basada en la estadística de prueba.
2. Regla basada en la probabilidad. 3. Regla basada en la distribución de probabilidad del estadístico utilizado en la prueba. La zona de rechazo tiene una magnitud dada por α y una dirección dada por la hipótesis alternativa. El siguiente ejemplo es de acuerdo a la hipótesis nula que se planteo en base a la media poblacional, y al primer ejemplo de hipótesis alternativa: Si µ = 16, existe sólo un 2.5% de oportunidad de que una media muestral Si µ = 16, existe sólo un 2.5% de produzca un valor de Z < -1.96 oportunidad de que una media muestral produzca un valor de Z > 1.96
No rechazar Zona de rechazo Zona de rechazo Cola a la izquierda Cola a la derecha 0.95
0.475 0.475 α/2 = 0.025 α/2 = 0.025
µ = 16
-1.96 0 1.96
Zona de no rechazo
Existe un 95% de probabilidad de que los
resultados muestrales puedan caer entre ± 1.96 si la hipótesis nula es verdadera
4. Calcular la estadística de prueba a partir de los datos muestrales considerando H0
como verdadera
5. Decidir si H0 se acepta o se rechaza.
6. Concluir en términos del contexto del problema.
http://www.hrc.es/bioest/Reglin_8.html
Propiedades del coeficiente de correlación
1) número sin dimensiones entre -1 y 1. 2) si las variables son independientes r=0. La inversa no es necesariamente cierta, aunque si las variables son normales bivariantes sí. 3) si las variables estuvieran relacionadas linealmente r=1
Un contraste que interesa realizar en un modelo II es H0: r=0. Como
este contraste es totalmente equivalente al realizado sobre dicho coeficiente, aunque
también hay tablas basadas en que una cierta transformación (de Fisher) de r se distribuye aproximadamente como una normal.
¿Qué mide r?
Se puede demostrar una relación algebraica entre r y el análisis de la varianza de la
regresión de tal modo que su cuadrado (coeficiente de determinación) es la proporción de variación de la variable Y debida a la regresión. En este sentido, r2 mide el poder explicatorio del modelo lineal.
¿Qué no mide r?
- no mide la magnitud de la pendiente ("fuerza de la asociación")
- tampoco mide lo apropiado del modelo lineal
Potencia de los contrastes en regresión
Los contrastes se realizan en base al conocimiento de la distribución muestral del
estadístico usado. En el caso de la regresión, las distribuciones usadas son la normal (para r) y la t de Student (para los coeficientes). Sólo para la normal es fácil el cálculo de la potencia, pero sabemos que la t tiende asintóticamenta (para muestras grandes (>30 en la práctica) a la normal. Usaremos esto.
1- b = p(rechazar Ho| Ho falsa)
Supongamos que
asumamos normalidad ¿qué potencia tiene el contraste si a1 fuera 5 (recordar que se
necesita concretar H1)?
¿Cuándo rechazamos H0 al 95%?
Cuando
en nuestro caso mayor que 4,92. Como no lo es, no rechazamos H0. Hay que calcular la probabilidad de encontrar
si a1 fuera 5. Calculamos
y lo miramos en la tabla de la normal 1- b =0,512=51,2%.
Coeficiente de determinación El coeficiente de determinación, r2 - la proporción de la variación total en la variable dependiente Y que está explicada por o se debe a la variación en la variable independiente X. El coeficiente de determinación es el cuadrado del coeficiente de correlación, y toma valores de 0 a 1.
Ejemplo: Dan Ireland, presidente de la sociedad de alumnos de la Universidad de Toledo, está preocupado por el costo de los libros. Para tener un panorama del problema elige una muestra de 8 libros de venta en la librería. Decide estudiar la relación entre el número de páginas del libro y el costo. Calcule el coeficiente de correlación.
r =.614 (verifique) Pruebe la hipótesis de que no existe correlación en la población. Use .02 de nivel de significancia. Paso 1: H0 la correlación en la población es cero. H1 la correlación en la población es distinta de cero. Paso 2: H0 se rachza si t>3.143 o si t<-3.143, gl = 6, a = .02 El estadístico de prueba es t = 1.9055, calculado por
con (n - 2) grados de libertad
Paso 4: H0 no se rechaza http://www.monografias.com/trabajos16/metodos-lineales/metodos-lineales.shtml#f
Regresión lineal múltiple.
En la mayor parte de los problemas de investigación donde se aplica el análisis de regresión se necesita más de una variable independiente en el modelo de regresión. La complejidad de la mayor parte de los mecanismos científicos es tal que para ser capaces de predecir una respuesta importante se necesita un modelo de regresión múltiple. Cuando este modelo es lineal en los coeficientes se denomina modelo de regresión lineal múltiple. Para el caso de k variables independientes X1, X2,....,Xk, la media de Y| X1, X2,....,XK está dada por el modelo de regresión lineal múltiple m Y|x1, x2 ,………, xk = b 0 + b 1 x1 +……..+ b k xk
y la respuesta estimada se obtiene de la ecuación de regresión de la muestra
donde cada coeficiente de regresión b i se estima por bi de los datos de la muestra con el uso del método de mínimos cuadrados. Como en el caso de una sola variable independiente, el modelo de regresión lineal múltiple a menudo puede ser una representación adecuada de una estructura más complicada dentro de ciertos rangos de las variables independientes. Técnicas de mínimos cuadrados similares también se pueden aplicar al estimar los coeficientes cuando el modelo lineal involucra, digamos, potencias y productos de las variables independientes. Por ejemplo, cuando k = 1, el experimentador puede pensar que las medias m Y|x1 no caen en una línea recta pero que se describen de forma más apropiada con el modelo de regresión polinomial
m Y|x = b 0 + b 1 x +b 2 x2+ ……..+ b r xr
y la respuesta estimada se obtiene de la ecuación de regresión polinomial
En ocasiones surge confusión cuando hablamos de un modelo polinomial como de un
modelo lineal. Sin embargo, los estadísticos por lo general se refieren a un modelo lineal como uno en el cual los parámetros ocurren linealmente, sin importar cómo entran las variables independientes al modelo. Un ejemplo de un modelo no lineal es la relación exponencial m Y|x = a b x, que se estima con la ecuación de regresión
Existen muchos fenómenos en la ciencia y en la ingeniería que son inherentemente no
lineales por naturaleza y, cuando se conoce la estructura real, desde luego se debe hacer un intento para ajustar el modelo presente. La literatura sobre estimación por mínimos cuadrados de modelos no lineales es voluminosa. El estudiante que quiera una buena explicación de algunos aspectos de este tema debe consultar Classical and Modern Regression with Applications de Myers.
