Professional Documents
Culture Documents
INDICE
INTRODUCCIN ................................................................................................................................. 3
MARCO TEORICO ................................................................................................................................... 5
1.
2.
3.
CONCLUSIONES .............................................................................................................................. 75
WEBGRAFIA ..................................................................................................................................... 76
INTRODUCCIN
En el mbito de
las Ciencias
de
pruebas no
paramtricas puesto que existen muchas variables que no siguen las condiciones de
parametricidad. Dichas condiciones se refieren
casos,
el empleo de
las pruebas no
la
necesidad
de
suposiciones
restrictivas
de
las
pruebas
paramtricas.
3. Se pueden usar con muestras pequeas.
4. Se pueden usar con datos cualitativos.
Tambin las pruebas no paramtricas tienen desventajas:
1. A veces, ignoran, desperdician o pierden informacin.
2. No son tan eficientes como las paramtricas.
3. Llevan a una mayor probabilidad de no rechazar una hiptesis nula falsa
(incurriendo en un error de tipo II).
Las pruebas no paramtricas son pruebas estadsticas que no hacen suposiciones
sobre la constitucin de los datos de la poblacin.
Por lo general, las pruebas paramtricas son ms poderosas que las pruebas no
paramtricas y deben usarse siempre que sea posible. Es importante observar, que
aunque las pruebas no paramtricas no hacen suposiciones sobre la distribucin de la
poblacin que se muestrea, muchas veces se apoyan en distribuciones mustrales
como la normal o la ji cuadrada.
CAPTULO I:
ESTADSTICA
1.1.
que
se
plantean.
No
hay
investigacin
grande
soluciones.
Cuando se aplica el mtodo cientfico al estudio de los problemas
econmicos se habla de investigacin econmica, asimismo se tiene
investigacin
investigacin
entonces
educativa,
requiere
surge
la
de
investigacin
datos,
necesidad
agropecuaria, etc.
sin datos no
de
definir
hay
mtodos,
Toda
investigacin,
anlisis
1.3.
descubrir
Clasificacin de la Estadstica.-
1.5.
de
tipo descriptiva;
se preocupa
de
la
confiabilidad,
validez
del
estudio
e identificacin de las
variables.
b. Determinacin de objetivos.
c. Organizacin de las variables.
d. Precisin de los datos e informacin requerida.
e. Identificacin y evaluacin de la fuente de informacin.
f.
i.
j.
1.5.2.
estudio,
con
el
propsito de
obtener
los
datos
1.5.3.
1.5.4. Anlisis e interpretacin de los datos estadsticos.En esta etapa se aplica los argumentos matemtico y tericos
de
la
estadstica.
travs
de
mtodos
estadstico
se
calcula
elementos
de
referencia
para
la
descripcin,
anlisis
en
funcin de
los
resultados
fundamentales,
esta
b.
c.
Fcilmente
compresible
adaptada
los
objetivos
persiguen.
d.
e.
que se
estadstica,
ya
que
1.8.
Tcnicas de recoleccin de informacin estadstica.Las tcnicas de recoleccin son diversas y depende de: la
c.
La entrevista.-
es
una
tcnica
donde
una
persona
llamada
informacin.
El
xito
de
la
entrevista como
tcnica
de
de
observar y
registrar
caractersticas
poblacin
en las
o muestra,
de
preguntas
sistemticamente
elaboradas,
que
se
formula
al
1.10.
Cuando
se
realiza
la
recopilacin
de
antecedentes
con
fines
estn
organizadas
en tablas,
cuadros
grficos (fuentes
secundarias).
interpretacin
de los resultados
y de
los aspecto
de
datos,
que son
categorizados,
ordenados,
resumen
estadstico
que
se
concreta
con el
clculo
de
indicadores.
Existen
dos
formas
de
presentar
ordenadamente
los
datos
tablas
estadsticos:
En forma
tabular,
como
son
los
cuadros
estadsticas.
1.11.
de tabulacin, la
tabla
presenta
los
realizar la
diversos
tipo
de
1.11.1. Partes principales de una tabla de frecuencia.a. Numero de cuadro, es el cdigo o elemento
de
puede
del
cuadros.
cuadro,
Es
la
parte
donde
se
colocan
los datos
el
encabezamiento
presenta
la
distribucin
en
de
los
los
conceptos,
es
elementos
decir
segn
la
la
informacin
para
obtener informacin
complementaria.
Hay dos tipos de fuentes: primaria, cuando se obtiene
directamente de la unidad de anlisis o cuando se recurre
a los propios formularios de una encuesta; secundaria,
cuando
se recurre
estadsticos publicados.
documentos,
boletines
cuadros
originales
de
la
fuente,
elaboro
el
cuadro
b. Frecuencia absoluta:
Es el nmero de veces que se repite un determinado valor
de la variable; en el caso de los intervalos es el nmero
de observaciones comprendido en dicho intervalo; est
representado por fi.
c. Frecuencia relativa:
Es el cociente de la frecuencia absoluta entre el total de
por hi
hi
fi
n
d. Frecuencia porcentual:
Es la multiplicacin de la frecuencia relativa por 100
p i hi * 100 %
e. Frecuencia absoluta acumulada:
Es el que resulta de acumular
sucesivamente
Fk f i f 1 f 2 ...... f k
i 1
las
f.
H k hi h1 h2 ...... hk
i 1
representa por Pi
Pk p i p1 p 2 ...... p k
i 1
frecuencias absoluta
acumuladas
son
nmeros
las
enteros
frecuencias
absoluta
no negativos
no
mayores que n.
Las frecuencias relativa y las frecuencias relativa acumulada
son valores que varan entre 0 a 1.
Las frecuencias porcentuales y porcentuales acumuladas son
nmero que varan de 0 a 100%.
La suma de todas las frecuencias absoluta es igual al
tamao de la muestra.
La suma de todas las frecuencias relativa es igual a la
unidad.
La suma de todas las frecuencias porcentuales es 100%.
La ltima frecuencia absoluta acumulada es igual al tamao
de la muestra.
La ltima frecuencia relativa acumulada es la unidad.
La ltima frecuencia porcentual acumulada es 100%.
La tabla o distribucin de frecuencias debe quedar como se indica
en la siguiente tabla:
Frecuencia
Absoluta
(ni)
Frecuencia
. Relativa
(fi)
Frecuencia
Absoluta
Acumulada
Frecuencia
Relativa
Acumulada
1. Ordenamos los datos contando los alumnos que han sacado un 0 han sido 2,
un 1 han sido 3 y as sucesivamente. Construimos la tabla correspondiente:
2
3
1
1
1
3
2
5
7
5
30
Relativa
(hi)
2 /30
3/30
1/30
1/30
1/30
3/30
2/30
5/30
7/30
5/30
1
Absoluta
Relativa
Acumulada Acumulada
2
5
6
7
8
11
13
18
25
30
2/30
5/30
6/30
7/30
8/30
11/30
13/30
18/30
25/30
30/30
Ejercicios de aplicacin:
1. Se realiz un estudio en relacin al liderazgo del director y la satisfaccin los
docentes de la institucin educativa Niels Bohr en el 2014. Los docentes
encuestados fueron 100 elegidos aleatoriamente de un total de 500 docentes
que tiene la institucin educativa. Algunas variables que se estudiaron son:
Sexo de los docentes, procedencia de los docentes, edad de los docentes,
nmero de aos de experiencia laboral del director de la institucin educativa.
Problema: Cmo se relaciona del liderazgo del director y la satisfaccin de los
docentes de la institucin educativa Niels Bohr en el 2014?
Objetivo: Analizar cmo se relaciona el liderazgo del director de la institucin
educativa y la satisfaccin de los docentes de la institucin educativa Niels
Bohr en el 2014.
Poblacin: Todos los 500 docentes de la institucin educativa Niels Bohr.
Tipo de la
variable
variable
Procedencia del
empleado
Modalidad
Escala de
medicin
Cualitativa
Femenino
Nominal
Masculino
Lima
Cualitativa
Nominal
Callao
Cuantitativa
La molina
-
Razn
Cuantitativa
Razn
Variable
Escala de
medicin
Gnero
Nominal
Abandono familiar
Nominal
Desarrollo
socioemocional
Ordinal
Definicin
Dimensiones
Aprovechamiento
Aprovechamiento
de los recursos
en un servicio
hospitalario
conceptual
de
camas
de las camas
Indicadores
Porcentaje
el
nmero
de
ocupadas
Camas
actualmente
Promedio de
pacientes
(oferta/demanda)
2) Fecha de ingreso
estancia
al hospital
hospitalaria
3) Fecha de egreso
ndice de
solicitantes
1) Nmero de camas
Ocupacional de
disponibles para
atender
tems
del hospital
rotacin = #de
4) Nmero de
egresos/ #de
pacientes que
camas
salieron de alta
Ejemplo:
Sea la tabla de frecuencias
xi
0
1
2
3
4
5
6
fi
2
4
21
15
6
1
1
Fi
2
6
27
42
48
49
50
hi
0.04
0.08
0.42
0.30
0.12
0.02
0.02
Hi
0.04
0.12
0.54
0.84
0.96
0.98
1
Diagramas y grficos estadsticos.1.12.1. Diagrama de barras y sectores circulares.Son adecuados en el caso de variables cualitativas o cuantitativas
discretas con pocas categoras. En el caso del diagrama de barras,
se asigna una barra en el eje X a cada clase o categora de la
variable cualitativa. En el eje Y se representan las frecuencias
absolutas o relativas (ni o fi) y simplemente se levanta una barra de
altura proporcional a la frecuencia absoluta o relativa.
7,00%
Fila 1
24,00%
16,00%
Fila 2
Fila 3
Fila 4
0
0,1
0,2
0,3
0,4
0,5
0,6
frecuencia
53,00%
1
2
3
4
Diagrama de Barras
1
2
3
5
6
7
8
9
10
0
0,04
0,08
0,12
0,16
0,2
0,24
frecuencia
Diagrama de Sectores
17,00%
7,00%
10,00%
3,00%
3,00%
3,00%
23,00%
10,00%
7,00%
17,00%
Imagen 4. Histograma
Fuente: http://maralboran.org/wikipedia/index.php/Gr%C3%A1ficos_estad%C3%ADsticos
1.13.
Conceptos bsicos.-
1.13.1. Poblacin.Es el conjunto de todas las unidades elementales que tiene una o varias
caractersticas en comn. Dependiendo del nmero de elementos que
los conforman, una poblacin puede ser finita o infinita.
as
tambin
sus
elementos
deben
haber
sido
1.13.3. Variable.Es todo factor o caracterstica que se desea evaluar de las unidades
elementales del estudio.
1.13.4. Parmetro Estadstico.Es una medida descriptiva que resume una caracterstica de la
poblacin, es decir es una funcin de todas las observaciones de una
poblacin. Un parmetro es un valor nico y constituye usualmente la
incgnita que todo investigador desea conocer. Por ejemplo tenemos
las siguientes:
La media poblacional
La variancia poblacional:
La mediana poblacional: Me
La moda poblacional: Mo
1.13.5. Estadstico o estadgrafo.Es una medida descriptiva que resume una caracterstica de la muestra,
es decir es una funcin de las observaciones muestrales y no depende
de parmetro alguno. Se caracteriza porque puede tomar valores
diferentes de muestra a muestra, debido a que las observaciones
obtenidas en muestras diferentes no son necesariamente iguales. Por
ejemplo tenemos las siguientes:
1.14.
La media muestral:
La variancia muestral: S2
La mediana muestral: me
La moda muestra: mo
a. Media Aritmtica:
A veces se llama tambin media aritmtica, valor medio,
promedio o promedio aritmtico. Consideramos una
variable estadstica discreta cuya distribucin de
frecuencias es
como:
k
x xi f i
i 1
de
frecuencias
es
I , f
i
La media ser:
x ci f i
i 1
b. Mediana:
Dado un conjunto de observaciones, ordenadas de menor a
mayor, la mediana Me es una observacin que divide esta
ordenacin en dos partes, con el mismo nmero de datos en
cada una. Es decir, el nmero de observaciones menores
que la mediana es igual al nmero de observaciones
mayores que ella.
Clculo de la mediana
Distribuciones unitarias:
Distribuciones no unitarias:
Si N i supera a N / 2 , ser el xi correspondiente a ese
Ni
Si N i = N / 2 , ser la media aritmtica entre xi y xi 1 .
Distribuciones agrupadas:
Si N i supera a N / 2 M e Li 1
N / 2 N i 1
ci
ni
M o xi
si ni max n j
Calculo de la moda:
En variables discretas basta con identificar el valor con la mayor
frecuencia
absoluta.
En
variables
continuas,
una
vez
M o Li 1 c
ni 1
ni 1 ni 1
Observaciones:
x, cuya
x , f y
i
x2
2
ni x i x
i 1
xi
fi
xi2
fixi2
0
1
2
3
4
5
6
2
4
21
15
6
1
1
50
0
1
4
9
16
25
36
0
4
84
135
96
25
36
380
S2=
s2 = (380/50)-6.35 = 1.25
o directamente:
s2 = (02 *2 + 12 *4+........+62 *1)/50 -2.522
s2= (380/50)-6.35 = 1.25
c. Coeficiente de Pearson:
El coeficiente de variacin de Pearson se define como
el cociente entre la desviacin tpica y la media
CV (x )
x
x
CV
7.823
(100%) 22.35%
35
de
haber
Ejemplo:
Despus
registrado
los
datos
Media ( X )
Desviacin
estndar
(S )
Estatura
68.34
3.02 pulgadas
pulgadas
Peso
172.55 libras
26.33 libras
Estatura
Pesos
3.02 pul
(100 %) 4.42 %
68 .34 pul
CV
CV
26.33libras
(100%) 15.26%
172.55libras
con media
x x2 .
adems
ser
necesaria
resumirlas
en
CA1
3(x Me )
x Mo
y CA2
x
x
Ejemplo:
Como ejemplo, consideremos 10 pacientes de edades 21 aos,
32, 15, 59, 60, 61, 64, 60, 71, y 80. La media de edad de estos
sujetos ser de:
S x 2=
algunas
epidemiolgicos
circunstancias
los
mtodos
permiten
resolver
los
estadsticos
problemas
y
de
Muestreo estratificado.
TIPOS
Aleatorio simple
Muestreo sistemtico.
CARACTERISTICAS
VENTAJAS
Sistemtico
Definir un intervalo k=N/n.
Elegir un nmero aleatorio, r,
entre 1 y k (r=arranque
aleatorio).
Estratificado
Conglomerados
La necesidad de listados de
las unidades de una etapa se
limita a aquellas unidades de
muestreo seleccionadas en
la etapa anterior.
Sencillo y de fcil
comprensin.
Clculo rpido de
medias y varianzas.
Se basa en la teora
estadstica, y por tanto
existen paquetes
informticos para
analizar los datos
Fcil de aplicar.
No
siempre
es
necesario tener un
listado de toda la
poblacin.
Cuando la poblacin
est
ordenada
siguiendo
una
tendencia conocida,
asegura
una
cobertura
de
unidades de todos
los tipos.
Tiende a asegurar
que
la
muestra
represente
adecuadamente a la
poblacin en funcin
de unas variables
seleccionadas.
Se
obtienen
estimaciones
ms
precisa
Su
objetivo
es
conseguir
una
muestra
lo
ms
semejante posible a
la poblacin en lo
que a la o las
variables
estratificadoras
se
refiere.
Es muy eficiente
cuando la poblacin
es muy grande y
dispersa.
No es preciso tener
un listado de toda la
poblacin, slo de
las
unidades
primarias
de
muestreo.
INCONVENIENTES
Si la constante de
muestreo est asociada
con el fenmeno de
inters, las
estimaciones obtenidas
a partir de la muestra
pueden contener sesgo
de seleccin
Se ha de conocer la
distribucin en la
poblacin de las
variables utilizadas
para la estratificacin.
El error estndar es
mayor que en el
muestreo aleatorio
simple o estratificado.
El clculo del error
estndar es complejo.
1.15.2. Clculo del tamao muestral.Cada estudio tiene un tamao muestral idneo, que
permite comprobar lo que se pretende con la seguridad y
precisin fijadas por el investigador.
De qu depende el tamao muestral?
Variabilidad del parmetro a estimar: Datos previos,
estudios piloto o usar 50% como peor estimacin
Precisin: Amplitud del intervalo de confianza. Si se
estima prevalencia su formato ser %.
Nivel de confianza (1-): habitualmente 95% o 99%.
Probabilidad complementaria al error admitido
Si aumentamos el tamao muestral n, podremos mejorar
la calidad de la estimacin bien aumentando la precisin
(disminuye amplitud del intervalo) o bien aumentando la
seguridad (disminuye el error admitido).
Ejemplo:
Suponga que la Entidad encargada de la educacin
bsica en su zona de residencia est interesada en crear
un Jardn Infantil pblico al servicio de la comunidad,
para ello la funcionaria encargada por la Entidad est
interesada en estimar el tamao de la muestra de la
poblacin de hogares interesados en utilizar los servicios
del jardn. Se sabe que son 520 los padres de familia
segn archivos de secretara de Educacin local
El clculo del tamao de muestra es el siguiente:
Paso 1. Tipo de muestreo: proporcional
Paso 2. Plantear la frmula para estimar el tamao de la
muestra
z 2 Npq
n 2
e ( N 1) zpq 2
de
los
entrevistados
el
60%
(21)
CAPTULO II:
PRUEBAS ESTADSTICAS NO PARAMTRICAS
Conceptos Bsicos.a. Estadstica No Paramtrica.La estadstica no paramtrica es una rama de la estadstica que estudia las
pruebas y modelos estadsticos cuya distribucin subyacente no se ajusta a
los llamados criterios paramtricos. Su distribucin no puede ser definida a
priori, pues son los datos observados los que la determinan. La utilizacin de
estos mtodos se hace recomendable cuando no se puede asumir que los
datos se ajusten a una distribucin conocida, cuando el nivel de medida
empleado no sea, como mnimo, de intervalo.
b. Por qu usamos pruebas no paramtricas?.Porque no siempre se cumplen todos los supuestos requeridos por las
pruebas de hiptesis tradicionales (paramtricas):
Distribucin normal
Varianzas iguales
c.
2.2. Otros conceptos.2.2.1. Muestra.Parte de una poblacin que se toma cuando es imposible acceder a
toda ella. La eleccin de la muestra se hace con la intencin de, a
partir de la informacin que ella proporciona, extender sus resultados a
toda la poblacin a la que representa.
2.2.2. Muestra aleatoria: (Muestra elegida al azar).Aquella muestra tomada de la poblacin en la que todo individuo tiene
la misma probabilidad de resultar elegido para ella, y esto con
independencia entre Individuos.
2.2.3. Funcin de distribucin.Funcin que hace corresponder a cada uno de los valores de una
variable aleatoria la probabilidad de que tal variable aleatoria tome un
valor igual o inferior al dado.
2.2.4. Funcin de probabilidad.Funcin que hace corresponder a cada uno de los valores de la
variable aleatoria discreta su probabilidad.
2.2.5. Contraste de hiptesis.Conjunto de reglas tendentes a decidir cul de dos hiptesis la nula
la alternativa- debe aceptarse en base al resultado obtenido en una
muestra. Es de dos colas cuando la alternativa es la negacin de la
nula. De una cola en caso contrario.
2.2.6. Variable aleatoria.Toda funcin que toma diversos valores numricos, dependiente de
los resultados de un fenmeno aleatorio, con distintas probabilidades.
2.2.7. Variable aleatoria discreta.Las variables aleatorias discretas son aquellas que presentan un
nmero finito de valores, constituyen una sucesin numerable.
2.2.8. Variable aleatoria contina.Las variables aleatorias continuas pueden tomar un nmero infinito de
valores en un intervalo determinado.
2.2.9. Variable categrica.Una variable categrica es una variable que clasifica cada individuo de
una poblacin en una de las varias clases mutuamente excluyentes en
que sta se divide.
2.2.10. Variable numrica.Corresponde a los datos expresados en una escala continua
numrica.
2.3.
de Pearson es
considerada
como
una prueba no
Cuanto mayor sea el valor, menos verosmil es que la hiptesis sea correcta.
De la misma forma, cuanto ms se aproxima a cero el valor de chi-cuadrado,
ms ajustadas estn ambas distribuciones.
Los grados de libertad gl vienen dados por:
gl= (r-1)(k-1). Donde r es el nmero de filas y k el de columnas.
Ejemplo: Al final de un semestre, las calificaciones de matemticas fueron
tabuladas en la siguiente tabla de contingencia de
Ausencias Aprobado
0-3
135
4-6
36
7 - 45
9
No aprobado
110
4
6
Con 0.05 , indican los datos que son distintas las proporciones de
estudiantes que pasaron en las tres categoras de ausencias?
H0: p1 = p2 = p3
H1: al menos dos proporciones son diferentes.
Nmero de ausencias Aprobado No aprobado
0-3
135
110
( )
( )
4-6
36
4
( )
( )
7-45
9
6
( )
( )
Total
180
120
Total
245
( )
40
( )
15
( )
300
Los valores Oij = 135, 110... Corresponden a los valores observados, los
valores esperados se colocan en las celdas con parntesis, para calcular los
utilizamos la frmula:
Eij
Total
245
40
15
300
ij
Eij 2
Eij
Oij
Eij
135
110
36
4
9
6
147
98
24
16
9
6
(Oij-Eij)^2
144
144
144
144
0
0
(Oij -Eij)^2/Eij
0.98
1.47
6.00
9.00
0.00
0.00
17.45
Ecuacin:
P(X)=n! X!n-X!pX1-pn-X
Donde
n = Nmero de observaciones
p = Probabilidad de xitos
Ejemplo ilustrativo N 1
Determine P(X=5) para n = 6 y p = 0,83
Solucin:
Aplicando la ecuacin se obtiene:
PX=n! X!n-X!pX1-pn-X
PX=5=6!5!6-5!0,8351-0,836-5=0,4018
la prueba
de
Anderson-Darling es
una prueba no
donde
se utiliza)
Los datos se disponen en una tabla de la misma forma que para la prueba
de Friedman, pero ahora las columnas de la tabla contienen nicamente
ceros y unos, de forma que la suma de los valores de la j-sima columna,
GJ , es el nmero de ''xitos'' de la distribucin de las n respuestas al jsimo ''tratamiento''. Si la hiptesis nula es cierta las diferencias entre el
nmero de xitos de cada columna se deben al azar, por lo que es de
esperar que sean pequeas, es decir, que todas las G_{j estn muy
prximas al nmero medio de xitos por muestra, El estadstico de prueba
se basa en la dispersin del nmero de xitos de cada ''tratamiento'' con
respecto a G :
El estadstico de prueba es:
Ejemplo ilustrativo N 2
Un psiclogo investiga el aprendizaje simple en 15 ratas, a las que
aplica cuatro tratamientos diferentes a intervalos de un mes cada
uno, para lo cual utiliza laberintos distintos.
Los tratamientos corresponden a cuatro frmacos, que segn
afirman los fabricantes de los productos, tienen capacidad para
facilitar el aprendizaje.
El investigador, para evitar que por efectos acumulativos de los
frmacos pudiera
haber error,
al suponer
que
una
droga
un
perodo
fijo
(tiempo
crtico
determinado
por
el
con una probabilidad igual a 0.05. De esta manera, la cifra 6.06 tiene
una probabilidad mayor que 0.05.
Decisin.
En razn de que el estadstico calculado tiene una probabilidad
mayor que 0.05, cae en la zona de rechazo, por lo cual se acepta Ho
y se rechaza Ha.
Interpretacin.
Ningn frmaco a nivel experimental en ratas produjo un cambio
significativo y parece que se debe al azar, aun cuando en el tercer
tratamiento, 12 de 15 ratas presentaron cambio positivo. Esto
seguramente ocurri debido al tamao de la muestra, y el
investigador habr de aumentar el nmero de animales para definir
mejor el fenmeno.
2.3.5. Prueba de Cohen Kappa.La Prueba de Cohen Kappa, es un ndice de aceptacin en los estudios
inter-observadores, indica el grado de interrelacin inter-observador.
Permite cuantificar el nivel del acuerdo inter-observador para disminuir la
subjetividad del mtodo utilizado (test de movilidad) y si el grado de acuerdo
se debe al azar (a la suerte).
El porcentaje de acuerdo acompaado del ndice de Kappa se utiliza para
las variables cualitativas.
Se habla del coeficiente de Kappa de Cohen para dos terapeutas y de Fleiss
para ms de dos terapeutas.
Este coeficiente est comprendido entre 0 y 1. Donde 0, corresponde a una
correlacin que es idntica a la encontrada por casualidad y 1 una
correlacin perfecta entre los exmenes.
Los valores negativos indican habitualmente que existe un desacuerdo en la
manera de realizar el mtodo entre los terapeutas.
Se calcula como la proporcin de acuerdo, aparte del que ya sera de
esperar por azar, que ha sido observado entre dos repeticiones del mismo
instrumento (por ejemplo, un juicio realizado por dos observadores por
separado).
bloque C2-C4
bloque C5-6
K = 0.675
K = 0.756
K = 0.460
SE = 0.041
SE = 0.045
SE = 0.091
Z = 17.067
Z = 16.823
Z = 5.039
Especificidad
98%
98%
91%
Sensibilidad
74%
78%
55%
La
hiptesis
de
que
las
medidas
de
mltiples
donde
el
modelo
tiene k coeficientes
no
calcularse como
El
valor
resultante
debe
entonces
compararse
con
la
entrada
por
el
economista Milton
otra
donde el valor
es el orden de
en cada
bloque .
2. Clculo de las varianzas intra e inter grupo:
.
.
2.3.10. Prueba de Kruskal-Wallis.En estadstica, la prueba de Kruskal-Wallis (de William Kruskal y W. Allen
Wallis) es un mtodo no paramtrico para probar si un grupo de datos
proviene de la misma poblacin. Intuitivamente, es idntico al ANOVA con
los datos reemplazados por categoras. Es una extensin de la prueba de
la U de Mann-Whitney para 3 o ms grupos.
Ya que es una prueba no paramtrica, la prueba de Kruskal-Wallis no
asume normalidad en los datos, en oposicin al tradicional ANOVA. S
asume, bajo la hiptesis nula, que los datos vienen de la misma distribucin.
Una
forma
comn
en
que
se
viola
este
supuesto
es
con
datos heterocedsticos.
Mtodo:
1. El estadstico est dado por:
,
Donde:
en el grupo
es el promedio de
.
Luego
es
.
2. Se
puede
dividiendo
realizar
una
correccin
por
para
los
, donde
valores
repetidos
es el nmero de
es el nmero de
repetidas.
3. Finalmente,
algn
el p-value es
es pequeo (
aproximado
por
) la distribucin de
Si
la chi-cuadrado
2.3.11. Prueba U de Mann-Whitney.En estadstica la prueba U de Mann-Whitney (tambin llamada de MannWhitney-Wilcoxon, prueba de suma de rangos Wilcoxon, o prueba de
Wilcoxon-Mann-Whitney)
es
una
prueba no
paramtrica aplicada
4. Bajo
la
hiptesis
alternativa,
los
valores
de
una
de
las
aproximacin
la normal, z,
cuando
tenemos
muestras
lo
Prueba de U Mann-Whitney
independientes.-
para
dos
muestras
cuando
las
muestras
son
independientes.
Este
Planteamiento de la hiptesis.
Nivel de significacin. Para todo valor de probabilidad igual o menor que 0.05, se
acepta Ha y se rechaza Ho.
Zona de rechazo. Para todo valor de probabilidad mayor que 0.05, se acepta Ho y se
rechaza Ha.
Dos
mtodos
diferentes
aplicados
en
dos
grupos
de
nios.
Calculamos la U.
Hiptesis nula (Ho). Las diferencias entre las calificaciones dadas por ambos
mtodos se deben al azar.
Nivel de significacin. Para todo valor de probabilidad igual o menor que 0.05, se
acepta Ha y se rechaza Ho.
Zona de rechazo. Para todo valor de probabilidad mayor que 0.05, se acepta Ho y se
rechaza Ha.
Poblacin de nios de 6 aos a los cuales se les aplic dos mtodos de enseanza.
Calculamos la U de Mann-Whitney:
Tomando en cuenta los pasos, nos menciona que cuando la muestra es mayor que 25,
se distribuye normalmente, por lo cual se determina el valor Z para conocer la
probabilidad. Esto se calcula como sigue:
Donde:
Z
valor
estadstico
de
la
curva
normal.
valor
promedio
de
U.
U = desviacin estndar de U.
Calculamos el valor promedio de U ( ):
U = desviacin
estndar
de
U.
Para obtener la probabilidad del valor Z = 1.95, se debe consultar la tabla de tamao
de la muestra en funcin de los valores d y buscar la hilera 1.9, en cuya columna 0.05
se localiza el nmero 0.0256, que corresponde a la probabilidad del valor de U de
Mann-Whitney con respecto al promedio. Esto quiere decir que es menor que el nivel
de significancia.
Decisin.
A la cifra de Z de 1.95 le corresponde una probabilidad menor que 0.05, por lo cual se
acepta Ha y se rechaza Ho (tabla de probabilidades asociadas en valores extremos
como los de 2 en la distribucin normal).
Interpretacin.
El experimentador, al aumentar su muestra, confirma la investigacin preliminar con
una muestra pequea, con lo cual da a entender que los resultados logrados con el
mtodo ideado por l son diferentes de los obtenidos con el mtodo de enseanza de
lectura tradicional; adems, este ltimo revela calificaciones ms bajas y es menos
efectivo que el otro.
La efectividad del mtodo ideado por el experimentador se traduce en mayor fluidez de
la lectura, mejor comprensin y anlisis y sntesis superior, en razn de que las
calificaciones finales son consecuencia de estas condiciones.
2.3.12. Prueba de McNemar.Prueba estadstica que sirve para comparar proporciones en datos
pareados.
Prueba de significacin estadstica para probar la hiptesis nula de
inexistencia de cambios en la proporcin de sujetos que experimentan un
acontecimiento, cuando cada individuo es evaluado dos veces (en
condiciones diferentes) y los datos estn emparejados.
2.3.13. Prueba de la Mediana.La prueba de la mediana es una prueba no paramtrica que podemos
considerar un caso especial de la prueba de chi-cuadrado, pues se basa en
esta ltima. Su objetivo es comparar las medianas de dos muestras y
determinar si pertenecen a la misma poblacin o no.
Para ello, se calcula la mediana de todos los datos conjuntamente. Despus,
se divide cada muestra en dos subgrupos: uno para aquellos datos que se
siten por encima de la mediana y otro para los que se siten por debajo. La
prueba de chi-cuadrado determinar si las frecuencias observadas en cada
grupo difieren de las esperadas con respecto a una distribucin de
frecuencias que combine ambas muestras.
Esta prueba est especialmente indicada cuando los datos sean extremos o
estn sesgados.
2.3.14. Prueba de los Signos.La prueba de los signos permite contrastar la hiptesis de que las
respuestas a dos ''tratamientos'' pertenecen a poblaciones idnticas. Para la
utilizacin de esta prueba se requiere nicamente que las poblaciones
subyacentes sean continuas y que las respuestas de cada par asociado
estn medidas por lo menos en una escala ordinal.
La hiptesis nula puede expresarse como:
una
parmetros
normal
y
la
de
decisin
Ejemplo ilustrativo N 4
Los datos brutos usados en este ejemplo se ven debajo.
CI
Horas de TV a la semana
106
86
100
28
100
50
99
28
103
28
97
20
113
12
113
110
17
CI
Horas de TV a la
(i)
86
semana (t)
0
97
20
d2
16
orden(i) orden(t)
99
28
100
50
4.5
10
5.5 30.25
100
28
4.5
3.5 12.25
103
28
106
2.5
110
17
113
9.5
2.5
49
113
12
9.5
25
4.5 20.25
5.5 30.25
De lo que resulta
2.3.16. Prueba Tabla de Contingencia.En estadstica las tablas de contingencia se emplean para registrar y
analizar la relacin entre dos o ms variables, habitualmente de
naturaleza cualitativa (nominales u ordinales).
Ejemplo ilustrativo N 5
Supngase que se dispone de dos variables, la primera el sexo (hombre o
mujer) y la segunda recoge si el individuo es zurdo o diestro. Se ha
observado esta pareja de variables en una muestra aleatoria de 100
52
Mujer
44
48
TOTAL
87
13
100
ambas
proporciones
no
son
idnticas
la significacin
Si 1 = 0.01 2 = 0.001
d= 1 - 2 = 0.009
Si 1 = 0.41 2 = 0.401
d= 1 - 2 = 0.009
2.3.17. Prueba de rachas de Wald-Wolfowitz.Permite contrastar la hiptesis nula de que dos muestras independientes
proceden de poblaciones con distribuciones continuas idnticas contra la
hiptesis alternativa de que las poblaciones difieren en algn aspecto, que
puede ser tanto la tendencia central como cualquier otra caracterstica.
Para realizar el contraste se combinan las observaciones de ambas
muestras, ordenndolas de menor a mayor, y se halla el nmero de rachas
o valores sucesivos de una misma muestra en la secuencia ordenada.
2.3.18. Prueba de los rangos con signo de Wilcoxon.Prueba de los rangos con signo de Wilcoxon es
una prueba no
repite el experimento tres meses despus con los mismos nios para
verificar si existen cambios. Los datos muestran los tiempos en segundos de
la construccin de determinados modelos
Utilice un nivel de significancia de 0.05 y pruebe la aseveracin de que no
hay diferencias entre los tiempos de la primera y la segunda prueba.
Nro. nio
10
11
12
13
14 15
2da. prueba
30 19
19
23
29
78 42 20
12
39
14
81
17
31 52
1ra. prueba
30
14
14
42 14 22
17
11
30
14
17 15
Diferencias
13
15
15
36 28
-2
-5
31
51
14 37
Rango de
13
13
diferencias
Rango con
signos
Comparamos S con
el
valor
proporcionado
por
las
tablas
2.3.19. Clasificacin y su objetivo.Mientras que las tcnicas paramtricas son robustas (es decir, conservan a
menudo un poder considerable para detectar diferencias o semejanzas
incluso cuando se violan estas asunciones), algunas distribuciones violan
tanto que un alternativa no paramtrica es ms deseable para detectar una
diferencia o una semejanza.
Prueba
Nm. de
variables
Variables
Objetivo
McNemar
Cualitativas: 2
valores
En escala al
menos ordinal
En escala al
menos ordinal
Q de
Cochran
p>2
Cualitativas: 2
valores
F de
Friedman
p>2
En escala al
menos ordinal
Signos
Wilcoxon
3. Eleccin de la tcnica estadstica apropiada1.Con los elementos definidos en los prrafos anteriores se pueden establecer
rboles de decisin para la ayuda en la eleccin de la tcnica o prueba estadstica
apropiada.
Criterio
Descripcin
Aclaraciones
Estadstica descriptiva
Pruebas t de Student,
pruebas z
Tablas bivariables
Tests no paramtricos
Estadsticas demoepidemiolgicos
Correlacin lineal de
Pearson
Correlacin lineal de
Pearson
Regresin simple
Anlisis de varianza
10
Transformacin de
variables
11
Correlacin no
paramtrica
12
Regresin mltiple
con
una
Protocolo diseado por EMERSON y COLDTIZ y adaptado por MORA RIPOLL y COLS. Niveles
de referencia para el anlisis de accesibilidad
variable
13
14
Ajuste y estandarizacin
15
Tablas multivariables
16
Potencia y tamao
muestral
17
Anlisis de la
supervivencia
18
19
Otros anlisis
CONCLUSIONES
Para nuestra persona, sin estadstica el mundo sera un caos no se podra realizar
predicciones ni conocer el nmero de habitantes del planeta y mucho peor saber los
intereses que podramos ganar si invertimos nuestro capital en una entidad bancaria
he aqu la importancia de la estadstica y todas sus formas de investigacin y
deduccin
WEBGRAFIA
http://www.wikipwedia.org
http://www.gestiopolis.com
http://www.rincondelvago.com
http://www.buenastareas.com
http://www.monografias.com
http://www.eumed.net/libros-gratis/2006b/cag3/2j.htm