Professional Documents
Culture Documents
2. Diseño Comparativo:
M1 O1 Donde:
M1........ Mn: representa la muestra
O2........ On: son las observaciones
M2 O2
M3 O3
Este tipo de diseño se utiliza cuando se quiere comparar una misma variable
en diferentes lugares o situaciones, para ver si tienen el mismo o diferente
comportamiento Por ejemplo:¿Cuál es la incidencia de enfermedades
respiratorias en los distritos de Coishco, Chimbote y Nuevo Chimbote?.
3. Diseño Correlacional:
Ox Donde:
M Oy
M: representa la muestra
Ox Oy Oz : las observaciones o varables recolectoras
Oz
Este tipo de diseño se utiliza cuando se quiere comparar que relación tienen
diferentes variables que se pueden obtener de una misma muestra. Por
ejemplo: Qué relación existe entre la tecnología de presión sanguínea, los
niveles de colesterol y el peso en las personas de la tercera edad inscritas en
ESSALUD-Chimbote en el presente año?
4. Diseño Longitudinal:
Donde:
T1 T2 T3 M : representa la muestra
M T1...... Tn : los tiempos
O1 O2 O3 O1...... Tn : las observaciones
Es tipo de diseño se utiliza cuando se quiere observar el comportamiento de
una variable a través del tiempo. Por ejemplo:
¿Cuál es la tasa de crecimiento en talla de los niños de educación inicial a
partir de los cinco hasta los siete años de edad del Centro Educativo Siglo 21?
5. Diseño Transversal:
MT1 Donde:
M1...... MTn : representan muestras de diferentes tiempos
MT2 O en un momento dado, son las muestras
O : La observación que se hace en cada muestra
MT3
a. Retrospectivos
Se utiliza cuando el fenómeno ocurrió y se trata de buscar las
posibles causas en el pasado.
Ejemplo:
¿Cuáles fueron las causas del colapso de la economía entre el 1985
y 1990 en el Perú?
b. Prospectivos
Se utiliza cuando se observa una o varios factores, a los que se les
trata de buscar sus posibles efectos en un intervalo de tiempo
Ejemplo:
¿De que manera influirá la crisis económica y la falta de empleo en
la deserción estudiantil a nivel secundario en los próximos cinco
años en el Perú?.
C) DISEÑOS EXPERIMENTALES
A) Grupos en Paralelo
E
A B
E
B A
C
A A
E1
B B
E2
C C
E3
D D
Donde: A (Grupo control o testigo) y B. C. D (Grupos experimentales)
¿Cuál es el efecto que tiene los efluentes con diferentes nivel de carga
orgánica sobre la disponibilidad de oxígeno disuelto en el agua de mar?
D) Diseños factoriales
Los diseños factoriales manipulan dos o más variables independientes
o incluyen dos o más niveles de presencia en cada una de las
variables independientes. La construcción básica de un diseño
factorial consiste en que todos los niveles de cada variable
independiente son tomadas en combinación con todos los niveles de
la otras variables independientes.
Para diagramar los diseños factoriales se utiliza la simbología en
base a letras y números. Las letras (A,B,C, ......X) indica las
variables independientes y los números se utiliza para los niveles
(1,2,3, n), la combinación de letras y números que aparecen en la
casilla (celdas) representan la mezcla de niveles de las variables
independientes. Cada celda es un grupo. Un diseño factoria de 2 x
3 seria.
A Total
A1 A2
B Combinado
Todos los
A1B1 A2B1
B1 B1
Todos los
A1B2 A2B2
B2 B2
Tods los
A1B3 A2B3
B3 B3
Pre Post
C
A A
Pre Post
E
B B
Ejemplo:
¿Cuál es el efecto del uso del video en la enseñanza aprendizaje de Estadística?
C) Diseño casi experimentales de series cronológicas
Post Test
E
A A’
2.3. Testigo.- Es otra muestra obtenido del mismo universo, para obtener
datos empíricos en condiciones específicos iguales, y
estímulo diferente a la muestras y se usan como
“CONTROL”.
U.homogéneo: Todos los atributos
3.1. Selección de la similares
muestra
U.heterogéneo: Un atributo similar y
otro no
Universo-Objetivo: Ilimitado: Todos
3.2. Generalización los habitantes del mundo
inferencial Universo-Muestral: Delimitado en
verdadera
tiempo y espacio por el investigador
de cuyo componente se obtiene la
muestra). Pobladores de la zona
urbana de la ciudad de Chiclayo en
2007.
4.1. Razones para el uso de las muestras.
Ahorra dinero.
Ahorra tiempo (mayor rapidez en obtener datos).
Concentra atención casos individuales
En pruebas que implican muerte del ejemplar.
Permite disminuir efecto de errores ajenos al muestreo
Técnicas de muestreo
El tamaño depende de :
a ) De la variable del problema:
Muestra pequeña Homogenidad: Cuando σ2 es pequeño
Muestra grande Heterogenidad: Cuando σ2 es grande.
Varianza (σ2):
Es una medida del grado de
dispersión de los valores de la
variable en relación a la media
aritmética.
b) Características del universo
- Homogénea muestra pequeña
- Heterogénea muestra grande
c) De la exactitud de los resultados que se quieren obtener.
- Resultados más exactos muestras más grandes.
n= Z2 (p.q)/E2
Donde:
n = tamaño de la muestra
σ = valor estimado de la desviación estándar del universo
Z = número de unidades de error estándar igual a la probabilidad
deseada (Z = 1.96) es la confiabilidad dada al trabajo.
E = error máximo que se tolera en las mediciones (o proporciones
p = proporción que pertenece a la clase o probabilidad de éxito.
q = 1 – p (proporción que no pertenece a la clase o probabilidad
del fracaso).
“p” puede ser estimado en base a trabajos anteriores o
tomar valores máximos de 0.5.
Obtenido el valor de “n” con cualquiera de las formulas anteriores,
se aplica la fórmula de la fracción muestral, con el fin de
determinar si la muestra necesita ser reajustada:
f = n * 100 si f [<5%]
N
Donde:
f = fracción de muestra
n = tamaño de la muestra
N = tamaño de la población
Si el resultado de “f” es mayor a 5%, se reajusta la muestra
La muestra reajustada se calcula con la fórmula:
n
na = 1+ n
N
Donde:
na = muestra reajustada
n = muestra
n = fracción muestral
N
EJEMPLO:
1. Es un estudio de relación de hemoglobina y hierro sérico en gestantes
y recién nacidos en el Hospital La Caleta de Chimbote, Abril a Junio,
se encontró que el universo muestral N = 297. Se desea conocer cuál
será el tamaño de muestra para realizar el estudio respectivo si:
n = Z2 σ2
E2
na = n
1+n/N
Mes
C.M.I Enero Febrero Marzo Abril Mayo Junio Total
Esfuerzo 28 27 30 33 42 47 207
UPAO 12 14 11 7 13 14 71
EsSalud 18 22 32 39 36 30 177
Total 58 63 73 79 91 91 455
n = Z2 (p . q)
E2
Reajustado la muestra:
na = n / 1 + n/N
σ
C.V. = * 100 (n = ó < al 30%)
X
Donde:
N N ~
Σ Xi Σ ( Xi - Χ )2
~ i=1 i=1
Χ= σ2 =
N N
Cuando el Universo se ha estratificado, para obtener la muestra de cada
estrato, se emplea la formula:
Nh
nh = n
N
Donde:
nh = muestra parcial de la parte estratificada del Universo
N = Universo muestral
Nh= parte homogenizada del Universo
n = tamaño de la muestra
MUESTREO ESTRATIFICADO
El tamaño de la muestra n(i) será grande cuando:
1. El estrato es grande
2. La desviación estándar σ(j) es grande
podemos utilizar la ecuación de muestreo óptimo para determinar
el número de ejemplares por estrato:
N(j) . σ(j)
n(j). = n
Σ N(j) . σ(j)
Donde:
nj= tamaño de muestra para el estrato “j”
n = tamaño de muestra
Nj = población del estrato “j”
σj = desviación estándar del estrato “j”
Ejemplo:
Supongamos que tenemos financiamiento disponibles para colectar
100 = n ejemplares y que hay dos estratos, el tamaño de los estratos
y sus desviaciones estándar son:
Estrato 1 Estrato 2
(ni) (nj)
N(i) 1000 2000
σ(j) 50 10
Ejemplo:
Si C(o) es el costo fijo (lo que paga por cada trabajador) y C es el
dinero disponible y C(j) el costo por cada ejemplar (unidad muestral)
¿Cómo determinar el tamaño de la muestra y como distribuir este
número según el costo de cada unidad muestral en cada estrato?
Utilizamos:
n = (C – C(o) ) Σ N(j) * σ(j) / √ C(j)
Σ N(j) * σ(j) * √ C(j)
Estrato 1 : $16
Estrato 2 : $9
¿Cuál será el número total de la muestra , que se puede tomar con el
presupuesto disponible?
4. ESCALA DE TASA :
Se basa en las tres propiedades (I-O-A), es decir los datos se
pueden utilizar en operaciones métricas convencionales y parte de
CERO VERDADERO y pueden hacer todas las operaciones métricas
tanto a los números asignados a sus magnitudes como a sus
intervalos entre los números.
Ejemplo: 100 kg es el doble de 50 o dos veces y media de 40 kg.
MODELOS ESTADISTICOS
(Pruebas Estadísticas)
La gran cantidad de datos obtenidos durante los experimentos tienen que ser
ordenados, resumidos, presentados y analizados, por medio de clasificaciones
y cálculos en las que se usan fórmulas estadísticas. Este procedimiento y las
formulas en si ya es un MODELO ESTADISTICO, el mismo que sirve para:
ESTADISTICA DESCRIPTIVA:
a) Distribución de frecuencia (barras)
b) Modelos de tendencia central : media
c) Modelos de dispersión: desviación estándar y varianza.
-Para problemas de explicación, se utiliza la:
ESTADISTICA INFERENCIAL:
a) Modelo de Regresión y Correlación
b) Modelo de Contingencia.
Pueden ser agrupados en:
PARAMETRICOS (modelos de regresión y correlación)
a) Requieren el uso de escala interval y de tasa (unidades métricas
para magnitudes cuantitativas).
NO PARAMETRICAS (modelo de contingencia)
a) Se usa con magnitudes cualitativas y escalas nominal y ordinal
(unidades no métricas) – cuando no hay parámetros.
POTENCIA – EFICIENCIA DE LAS PRUEBAS ESTADISTICAS
- Estadística Descriptiva
--Distingue Elementos
- Problemas de Identifi-
en diversas categorias Principios De - Sexo
cación
NOMINAL - No implica orden Identidad - Raza
- Pruebas no parametri-
- Cualitativa
cas (Ji cuadrado)
-Estadistica Inferencial
- Implica orden grado Principio de Identidad -Temperatura -Problemas Explicatiti-
de distancia entre Ordinalidad y Aditividad vos Pruebas.
diversas categorías
INTERVAL “t” student (medias)
- No tiene “0” verdadero
– Cuantitativo “z” (medias)
“f” (varianza)
PROPORCION
O Principio de Identidad
- Tiene ceso real - Producción
TASA Ordinalidad y Aditividad
- Cuantitativo - Captura
El mayor interés de la Ciencia es entender la realidad. Es
decir dar una explicación elaborada y fundamentada de la
realidad basada en hechos.
Por lo que:
Una real CONCLUSION científica, es una GENERALIZACION y no
un ENUNCIADO RESUMEN.
Los enunciados observacionales de una muestra son siempre
ENUNCIADOS RESUMEN. El censo es igual, en vista que no hay
universo para generalizar.
2. 2 TIPOS DE INFERENCIA INDUCTIVA
Ejemplo:
- Conjunto de pedazos de hierro que al calentarse se dilatan, de lo
que se infiere, que el calor dilata al hierro.
Ejemplo:
- Conjunto de pedazo de hierro, zinc, cobre, se dilatan cuando
se calientan (Proposición observacional). Todos ellos son
metales y tienen estructura molecular semejante (Teoría no
necesariamente observacional)
De lo que se infiere que todos los metales se dilatan con el calor
(generalización)
Por otro lado, podemos indicar que las observaciones empíricas
pueden inducirnos a una COMPROBACION DE “RELACIONES
INVARIANTES” entre fenómenos:
Es decir inducción por analogía y descubrimiento de relaciones de
causalidad.
Existe 3 esquemas de inducción.
a) Por generalización estadística: (Las observaciones de una
MUESTRA son inferidas a una POBLACION.