SlideShare une entreprise Scribd logo
1  sur  99
Télécharger pour lire hors ligne
Estadística Introducción a la estadística Estadistica (2003 – 2004) – UNFV-  Song :  without you by air supply
¿Para qué sirve la estadística? ,[object Object],[object Object],[object Object],[object Object],[object Object]
Definición ,[object Object],[object Object],[object Object],[object Object],Descriptiva Probabilidad Inferencia
Pasos en un estudio estadístico ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],No tenéis que  entenderlo (aún)
Método científico y estadística Plantear   hipótesis Obtener conclusiones Recoger datos y analizarlos Diseñar  experimento
Población y muestra ,[object Object],[object Object],[object Object],[object Object],[object Object]
Variables ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Tipos de variables
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Presentación ordenada de datos ,[object Object],6 Mujer 4 Hombre Frec. Género
Tablas de frecuencia ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Datos desordenados y ordenados en tablas ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],10=tamaño muestral 6/10=0,6=60% 6 Mujer 4/10=0,4=40% 4 Hombre Frec. relat. porcentaje Frec. Género
Ejemplo ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],≥ 50%
Gráficos para v. cualitativas ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Gráficos diferenciales para variables numéricas ,[object Object],[object Object],[object Object],[object Object],[object Object]
Diagramas integrales ,[object Object]
¿Qué hemos visto? ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Inferencia estadística   1.-  Principales conceptos. Muestreo. Distribución muestral de un estadístico.  Principales distribuciones muestrales. Maestria en Administración – (2003- 2004 ) -  UNFV -  Song : big in japan by Alphaville
Principales conceptos en inferencia estadística Idea básica: Hacer inferencias sobre la población a partir de la muestra que hemos extraído de la misma. Ello nos lleva a tratar (brevemente) el tema del muestreo. Pensemos que la muestra habrá de ser representativa  de la población, para que podamos efectuar inferencias que tengan sentido.
Muestreo Definición: Proceso que nos permite la extracción de una muestra a partir de una población ,[object Object],[object Object],[object Object]
Muestreo probabilístico Este muestreo garantiza que, a la larga, las muestras que se van obteniendo de la población sean representativas de la misma. Vamos a ver varios tipos de muestreo  probabilístico. ,[object Object],[object Object],[object Object],[object Object],[object Object]
Muestreo probabilístico 1.  Muestreo aleatorio simple Es aquel en el que, a priori, todos los elementos de la muestra tienen la misma probabilidad de aparición. Supongamos que tengamos una población de 50.000 individuos, y que tenemos un listado con sus nombres. Si queremos elegir 100 personas, lo que necesitamos es que el ordenador elija al azar a 100 individuos de esos 50.000.
Muestreo probabilístico 2.  Muestreo estratificado En el muestreo estratificado, los investigadores han de dividir a los sujetos en diferentes subpoblaciones (o estratos), en función de cierta característica relevante, y después lo que hacen es un muestro aleatorio simple de cada estrato. Evidentemente, cada individuo debe pertenecer a un estrato (y solo uno), y cada individuo del estrato habrá de tener la misma probabilidad de ser escogido como parte de la muestra. Ejemplo : Supongamos que, en Cajamarca, 70% de los niños de primaria van a escuela pública y el 30% a concertada. Si queremos 1,000 niños, lo que haremos es dividir los alumnos en 2 estratos (pública y concertada) y se eligen aleatoriamente 700 niños de la pública y aleatoriamente 300 de la concertada.
Muestreo probabilístico 3.  Muestreo por conglomerados En el muestreo por conglomerados, en lugar de considerar cada elemento de la población, lo que consideramos son “conglomerados de elementos”. El proceso es elegir  aleatoriamente  uno o varios conglomerados y la muestra estará formada por  TODOS  los elementos de los conglomerados. Ejemplos : -En las encuestas durante las elecciones, los conglomerados pueden ser las mesas electorales, y lo que se hace es escoger algunas mesas al azar (y de ahí se toman todos los votos de las mesas seleccionadas). -En otros ejemplos, los conglomerados pueden ser los bloques de viviendas, los municipios, etc.
Muestreo probabilístico 4.  Muestreo por etapas En este caso se combina el muestreo aleatorio simple con el muestreo por conglomerados: Primero se realiza un muestreo por conglomerados (v.g., si los conglomerados son colegios en Lince, se seleccionan aleatoriamente varios de ellos). Segundo, no se eligen todos los alumnos (como ocurriría en un muestro por conglomerados), sino que se elige una muestra aleatoria. (Dicha muestra puede ser obtenida por muestreo aleatorio simple o puede ser estratificado.) Es decir, hemos tenido 2 etapas de muestreo. Y claro está, es posible tener más de 2 etapas...
[object Object],[object Object],[object Object],[object Object]
Muestreo no probabilístico 1. Muestreo sin norma (o de conveniencia) Se elige a una muestra por ser conveniente, fácil,  económica. Pero no se hace en base a un criterio de aleatoridad. Ejemplo: las encuestas en los periódicos electrónicos; el muestreo habitual en los trabajos en psicología. 2. Muestreo intencional En este caso, si bien el muestreo no es probabilístico, los investigadores procuran que se garantice la representatividad de la muestra
Distribución muestral de un estadístico Supongamos que tenemos una variable aleatoria, cuya  distribución es f ( x) Supongamos, por simplicidad, que obtenemos una  muestra aleatoria simple con tamaño  n  =  X 1 , X 2 , ... X n Entonces, un  estadístico  es cualquier función  h  definida sobre  X 1 , X 2 , ... X n  y que no incluye parámetro desconocido alguno: Y=h( X 1 , X 2 , ... X n ) La distribución de dicho estadístico Y la vamos a denominar  g(y)
Distribución muestral de un estadístico Observad: f (x) es la distribución de la v.a. bajo estudio g(y) es la distribución del estadístico que tenemos Es vital conocer la distribución muestral del estadístico de interés para poder efectuar inferencias sobre el parámetro correspondiente. Esto es, para efectuar inferencias sobre la media poblacional   , necesitamos conocer la distribución muestral de
Distribución muestral de la media Veremos  primero  el caso de que la distribución subyacente sea  normal , con media  y varianza  La media de la distribución muestral de medias es  La varianza de la distribución muestral de medias es  La forma de la distribución muestral de la media es normal . Nota: La desviación típica de la distribución muestral suele ser denominada:  error típico  de tal estadístico (v.g., “error típico de la media”, etc.)
Distribución muestral de la media. Ejemplo 1 Distribución poblacional subyacente (dist. Normal): Media=100 (Varianza=225) Desv.Típica=15 Distribución muestral de la media: Tamaño muestral=10 Media=100 (Varianza=225/10=22.5) Desv.típica= La línea (en este y sucesivos ejemplos) es una curva normal En este y sucesivos gráficos: Número de réplicas
Distribución muestral de la media. Ejemplo 2 Distribución poblacional subyacente (dist. Normal): Media=100 Desv.Típica=15 Distribución muestral de la media: Tamaño muestral=20 Media=100 (Varianza=225/20=11.3) Desv.típica=3.35
Distribución muestral de la media. Ejemplo 3 Distribución poblacional subyacente (dist. Normal): Media=100 Desv.Típica=15 Distribución muestral de la media: Tamaño muestral=50 Media=100 (Varianza=225/50=4.5) Desv.típica=2.12
Distribución muestral de la media Veremos ahora el caso de que la distribución subyacente sea  arbitraria , si bien sabemos que la media es  y la varianza sea  La media de la distribución muestral de medias es  La varianza de la distribución muestral de medias es  La forma de la distribución muestral de la media  TAMBIÉN  tiende a ser normal. En concreto, la distribución muestral se acercará más y más a la distribución normal (media    y varianza   2 /n ) a medida que se  aumente el tamaño de cada muestra .
Distribución muestral de la media. Ejemplo 4 Distribución poblacional subyacente ( dist. GAMMA ): Media=100= Varianza=100= La distribución GAMMA tiene 2 parámetros:    que es un parámetro de escala (1) p  que es un parámetro de forma (100)
Distribución muestral de la media. Ejemplo 4 Distribución poblacional subyacente (dist. GAMMA): Media=100 Varianza=100 Distribución muestral de la media: Tamaño muestral=10 Media=100 (Varianza=100/10=10) Desv.típica=
Distribución muestral de la media. Ejemplo 5 Distribución poblacional (dist. EXPONENCIAL): Media=0.1=1/  Varianza=0.01=1/  2 La distribución EXPONENCIAL tiene 1 parámetro:   (en el ejemplo: 10) Ejemplo de distr.exponencial en psicología: v.g., tiempo transcurrido entre 2 pulsaciones de una rata en una caja de Skinner.
Distribución muestral de la media. Ejemplo 5a Distribución muestral de la media: Tamaño muestral=10 Media=.100 (Varianza=0.01/10=.001) Desv.típica=.03 Distribución poblacional (dist. EXPONENCIAL): Media=0.1=1/  Varianza=0.01=1/  2 Observad que la dist. muestral se aproxima a la normal
Distribución muestral de la media. Ejemplo 5b Distribución muestral de la media: Tamaño muestral=20 Media=.100 (Varianza=0.01/20=.0005) Desv.típica=.022 Distribución poblacional  ( dist.  EXPONENCIAL): Media=0.1=1/  Varianza=0.01=1/  2 Observad que la distribución muestral se aproxima más a la normal (al elevar el tamaño muestral).
Distribución muestral de Cuando la distribución de la que obtenemos las medias muestrales es gaussiana (“distr.normal”), la expresión anterior se distribuye según la distribución t de Student con t n-1  grados de libertad. (Esta distribución es básica para efectuar inferencias entre dos medias.) OTRAS DISTRIBUCIONES MUESTRALES (1) Distribución muestral de Cuando las distribuciones de la que obtenemos las varianzas muestrales son gaussianas, la expresión anterior se distribuye según la distribución F de Fisher con n 1 -1 grados de libertad en el numerador y n 2 -1 grados de libertad en el denominador. (Recordad que la distribución F es básica para la razón de varianzas: ANOVA.) Asumiendo varianzas poblacionales iguales
Distribución muestral de Cuando las distribución de la que obtenemos la varianza muestral es gaussiana, la anterior expresión se distribuye según la distribución chi-cuadrado con n-1 grados de libertad. OTRAS DISTRIBUCIONES MUESTRALES (2)
Simulación a eventos discretos Song  .  California dreaming  by The mamas and the papas.
Independencia de las muestras Los   resultados  de una corrida de simulación, son  muestras   de alguna distribución.  Esos resultados los llamamos  "respuestas " . Las  respuestas  pueden ser: promedios de valores recolectados en toda o parte de la corrida, o simplemente una única medida (ej. largo de la cola al final de la corrida).  Las  respuestas  son muestras de distribuciones, por lo tanto  pueden variar  de una corrida a otra o en la misma corrida.  El promedio de la distribución de respuestas la notamos    y lo llamamos la  media (valor medio) de la distribución .
Independencia de las muestras Cuando los resultados son  promedios de valores recolectados en  estado estacionario ,  una sola respuesta  “puede”  ser usada como la estimación de la  media de la distribución. En  sistemas terminales o no estacionarios  siempre deben realizarse  varias corridas,  de modo de obtener varias muestras como respuestas, tanto para calcular la media como para calcular la varianza,
Dispersión de la muestra La  dispersión  de la variable aleatoria respecto de su media, se mide mediante la  desviación estándar    o la varianza   2 .  Si la   varianza es grande  quiere decir que no todos los valores que toma la V.A. están cerca de la media. Para  calcular la  varianza  de la distribución muestreada es necesario  obtener  varias respuestas  independientes .
Análisis de resultados En  general es aconsejable  realizar varias corridas independientes para tomar  varias muestras como respuestas  tanto para calcular la media como la varianza (y la desviación estándar). Por lo tanto....  El análisis estadístico de los experimentos de simulación requieren de  varias respuestas independientes  x 1 , ...,x n . Cada una de estas muestras se obtienen a partir de alguno de los siguientes métodos.
Métodos muestreo resultados (1) 1.-  Se realizan  n  corridas que generan  x 1 , ..., x n .  Cada corrida con torrentes de  números aleatorios diferentes e independientes .  Cada corrida es una  replicación .  Se pueden registrar resultados solamente en determinados períodos de interés.
Métodos muestreo resultados (2) 2.-  El método de  replicación en sistemas estacionarios.   Los datos se toman  solamente  en el período estacionario, la muestra o resultado es un promedio de los datos obtenidos durante  la  corrida o replicación.
Métodos muestreo resultados (3) 3.- Método  batch means,  usado en simulaciones de estado estacionario, aquellos que llevan mucho tiempo en alcanzar ese estado.  Se corre el período run-in una sola vez; a partir de allí se registran valores de x i  en intervalos sucesivos de tiempo de igual longitud, 1 ... n.  Riesgo:  correlación entre resultados sucesivos.
Métodos muestreo resultados (4) 4.-  El  método regenerativo  se utiliza cuando nos interesan medidas en períodos o instantes específicos (particulares) del tiempo.  Por ejemplo nos interesa el largo de la cola cuando se rompe una máquina (cantidad de máquinas rotas en esa ocasión).  Entonces  consideramos un  punto regenerativo  (la ruptura de la máquina), y se  registra una muestra independiente inmediatamente después de cada ruptura.
Cálculo media y varianza Media, Varianza  son los  parámetros que mas interesan calcular. Si  x i  es la i-ésima respuesta de  n  replicaciones o batches entonces podemos estimar la media   ,  s 2  un estimador sin sesgo de la varianza   2  de las respuestas.
Intervalo de confianza Nos interesa saber con qué grado de seguridad estamos estimando el valor medio de la distribución. La estimación es el promedio  muestreado de un conjunto de respuestas, entonces  el intervalo de confianza nos brinda una medida de la confianza que le podemos tener a esa estimación ;  Los límites de un 95% de confianza son los puntos extremos de un intervalo alrededor de la media de la muestra; significa que la media de  la distribución se muestreará con una probabilidad de 0.95.
Intervalo de Confianza La varianza de la media de la muestra de tamaño  n  es
Intervalo de Confianza Los límites del 95% del intervalo de confianza se pueden calcular de tablas de distribución  Student  para muestras pequeñas y  de tablas de la distribución  Normal  para muestras grandes .  Para la Normal los límites de un intervalo de confianza de 95% son
Intervalo de Confianza
Otras técnicas de análisis La  Técnica predictiva  se usa en simulaciones no terminales que no alcanzan estado estacionario.  Se toma una medida de la media x t  en un intervalo de tiempo t y se grafican los valores tomados (x t  vs t) para tener una idea de como varían los valores con el tiempo.  Si queremos una idea mas precisa, se pueden realizar varias y diferentes corridas y tomar promedios de ellas.  También se puede usar técnicas de regresión múltiple para ajustar los valores obtenidos a algún tipo de curva, aunque a veces el patrón de conducta de x t  puede ser complejo, lo que dificulta el análisis de la misma.
Verificación de hipótesis Esta técnica  se usa para determinar cuando las respuestas de simulaciones comparativas  son significantes estadísticamente.  Si x es una respuesta de una v.a de media   x  de una corrida e y ( media   y ) es la respuesta de la  corrida con valores cambiados de las var. de decisión, entonces  la hipótesis a verificar es   x   =   y . Si realizamos  n  corridas para un conjunto de valores de las variables de decisión y repetimos el mismo número de corridas para los valores cambiados, entonces la media muestreada de la primera experiencia es X y de la segunda es Y. La verificación se basa en  la diferencia entre X e Y  y cuánto se aleja la desviación estándar de la media.  El cálculo de la desviación estándar dependerá de cuan independientes son los valores x i  e y i  de las corridas realizadas (distribución t o Normal).
Análisis de factores (1) Esta técnica estadística  se utiliza para  evaluar o determinar los  efectos  que los cambios  en  las  variables de decisión   producen en las salidas o resultados de la simulación.  Las variables de decisión se llaman   factores ,  por lo tanto corremos la simulación con distintos valores asignados a los factores  (niveles)  para  medir cuánto afecta a los resultados de la simulación, los distintos  factores ya sea individualmente como interactuando uno con otro.
Análisis de factores (2) La complejidad del análisis crece exponencialmente con la cantidad de factores,  ya que si tenemos  n  factores y nos interesa el factor  i  medido en el  nivel m i ,  tenemos    m i   diferentes posibles formas de hacerlo. Esto además se complica mas, si existe mas de una salida a considerar .
Análisis de factores (2) Esta técnica es usable para simulaciones con muchos factores a ser testeados en varios niveles.  Pero es una técnica muy costosa en tiempo y por lo tanto muchos test estadísticos no pueden ser terminados.  De todos modos es valiosa para tener una idea o imágen de los efectos ocasionados por distintos cambios en los factores de la simulación. (Law y Kelton 82).  Depende tambien de la cantidad de torrentes accesibles
Resumen cap. 5 Simulación terminal , estacionaria.  Detección estado estacionario. Parámetros interesantes  como registrarlos  y presentarlos. Facilidades de PascalSIM.  Técnicas de Análisis de resultados
Modelo de simulación Producir un modelo de simulación no es solamente escribir código.  La estructura de la simulación y sus distribuciones se derivarán de : OBJETIVOS   HIPOTESIS DE TRABAJO RESPUESTAS VARIABLES DE DECISION
Modelo de simulación El modelo se compone de: + Objetivos, hipótesis,  variables de decisión y  respuestas, + diagramas de actividades + especificación + pesudocódigo + código
Modelo de simulación ,[object Object],[object Object],[object Object],[object Object],[object Object]
Modelo de simulación   HIPOTESIS DE TRABAJO .  Existen hipótesis implícitas al modelo y otras explícitas. Ambas deben ser documentadas. Los programas deben ser diseñados de forma de permitir cambios en etapas posteriores del proyecto. (reducen la complejidad del modelo)
Modelo de simulación   RESPUESTAS   tipos de parámetros y medidas de interés,  así como estadísticas y datos a recolectar para el análisis. VARIABLES DE DECISION .  Los objetivos indicarán cuáles serán fijos y cuáles cambiables.
Especificación Sala internación El  sistema  es una simplificación del problema real (describirlo). La  especificación  del problema está dada por el detalle de  los objetivos,  las hipótesis de trabajo,  las variables de  decisión,  las respuestas y las duraciones de las distintas  actividades  (tabla 6.1)  y el diagrama de actividades (fig 2.2).
Especificación Sala internación ,[object Object],[object Object],[object Object],[object Object],[object Object]
Programa Se programa según algún método elegido. La sala de operaciones es agendada por dos tipos de eventos: fin de operación, y tiempo en que está cerrada. Se define una variable booleana que controla esas condiciones en la entidad "sala de operaciones" que siempre está en el calendario  (ver record en libro pag 107). Las variables de decisión se declaran como constante globales.
Programa El unidad de tiempo de la simulación es la hora. q4 es una cola ficticia, ventaja:  cada actividad está compuesta por el par de eventos C y B, lo que facilita la modificación posterior del programa. Los histogramas se declaran y nuevos valores son ingresados cada vez que haya un cambio en algún tipo de evento C o B.
Período Run-in Simulación del Hospital es de tipo "Estacionaria", debemos determinar cuando comenzar a tomar datos para procesar. Utilizamos el método de promedios acumulados (tabla 6.2) se agrega código en la fase B del ejecutivo para producir promedios de las respuestas cada 49 hs simuladas.  La Fig  6.1 grafica los datos obtenidos.
Período Run-in Observar que : la cola de solo internados y el tiempo de espera para operación alcanzan el estado estable rápidamente ( se admite para operación si no hay pacientes tipo solo internación).  La estabilidad se alcanza alrededor de las 720 hs. En un proyecto real, se deben obtener un cierto número considerable de promedios acumulados de respuestas, usando diferentes torrentes de números para asegurarse de que realmente se ha alcanzado el estado estacionario.
Resultados Se simularon 14 días luego de alcanzada la estabilidad. Se utilizaron números distintos que los utilizados para determinar el período run-in. Observar:  - La distribución de las filas de "solo internados"  y pacientes a operar, tienen una varianza grande.  - Las camas han tenido un gran porcentaje de utilización  ( 20 en 318 hs de 336 simuladas) - 26 pacientes fueron operados y su tiempo de espera fue muy variado. Cada corrida con un conjunto de diferentes torrentes producen una replicación. Se necesitan varias replicaciones para obtener datos mas acertados. Los datos ameritan reducción de varianza.
Taller de reparaciones Simulación terminal. Alcanza estabilidad enseguida. Se toman datos durante toda la simulación. Se podrían considerar las máquinas como variables de decisión. La lógica del programa se presta para adecuarlo a este cambio. A tener en cuenta: cómo continuar luego de teminada la jornada de trabajo (estudienlo!).
Taller de reparaciones (2) Buena práctica:  declarar los niveles de recursos  y torrentes de número como constantes globales. Fácil de alterar durante la experimentación. Resultados: el número de máquinas rotas varió entre 0 y 10. La utilización de mecánicos fue mayor que la de equipos (84.25% vs 68.7%). Durante un gran período de tiempo los mecánincos estuvieron todos ocupados.
IMPORTANTE Maestristas a nivel nacional en administración
MUESTREO POBLACIÓN DE TAMAÑO N MUESTRA DE TAMAÑO n
Censo Conocer parámetros + Tiempo para realizarlo + Costo ,[object Object],[object Object],[object Object],[object Object],[object Object],Promedio Proporción Total
MUESTREO DISEÑOS DE MUESTREO ESTADÍSTICO ALEATORIO IRRESTRICTO (MAI; MSA) MUESTREO SISTEMÁTICO ESTRATIFICADO POLIETÁPICO POR CONGLOMERADOS IGUAL PROPORCIONAL NEYMAN ÓPTIMA
MUESTREO ESTUDIO DE MUESTREO QUE DISEÑO DE MUESTREO SE DEBE UTILIZAR CUAL ES EL TAMAÑO ÓPTIMO DE LA MUESTRA QUE DISEÑO CARACTERÍSTICAS DE LA POBLACIÓN TAMAÑO DE LA MUESTRA TAMAÑO DE LA POBLACIÓN    N GRADO DE VARIABILIDAD NIVEL DE PRECISIÓN NIVEL DE CONFIABILIDAD   t (TABLAS) DISEÑO DE MUESTREO PARÁMETRO A ESTIMAR (PROMEDIO, PROPORCIÓN, TOTAL
MUESTREO SIMPLE ALEATORIO POBLACIÓN DE TAMAÑO N MUESTRA DE TAMAÑO n EN FORMA  ALEATORIA
PARA ESTIMAR EL VALOR DE PARÁMETROS DE INTERÉS PARA QUE SE UTILIZA: CUANDO SE UTILIZA: CUANDO LA VARIABILIDAD DE LOS ELEMENTOS DE LA POBLACIÓN BAJO ESTUDIO, SEA MÍNIMA SUGERENCIA PRÁCTICA CUANDO EL COEFICIENTE DE VARIACIÓN < 15 %
ETAPAS EN UN ESTUDIO DE MUESTREO: ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
DETERMINACIÓN DEL TAMAÑO ÓPTIMO DE LA MUESTRA
UNIDAD 5: TEORIA DEL MUESTREO EL MUESTREO ,[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO : EL MUESTREO ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO EL MUESTREO ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO . EL MUESTREO ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO : EL MUESTREO ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO: REQUISITOS DEL MARCO MUESTRAL ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO EJEMPLOS DE MARCOS MUESTRALES ,[object Object],[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO ELECCION DE LA MUESTRA ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO  EJERCICIOS MUESTREO ,[object Object],[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO  EJERCICIOS MUESTREO ,[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO  EJERCICIOS MUESTREO ,[object Object],[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO  EJERCICIOS MUESTREO ,[object Object],[object Object],[object Object]
UNIDAD 5: TEORIA DEL MUESTREO: EJERCICIOS MUESTREO ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Que tengas un buen día..

Contenu connexe

Tendances

Conceptos basicos de la estadistica
Conceptos basicos de la estadisticaConceptos basicos de la estadistica
Conceptos basicos de la estadisticaJosue Luis
 
Conceptos basicos de Estadistica
Conceptos basicos de EstadisticaConceptos basicos de Estadistica
Conceptos basicos de EstadisticaMayerling Barrios
 
1.1. Conceptos BáSicos De Estadistica
1.1.  Conceptos BáSicos De Estadistica1.1.  Conceptos BáSicos De Estadistica
1.1. Conceptos BáSicos De EstadisticaITCM
 
Introduccion a la estadistica s 1,2,3
Introduccion a la estadistica s 1,2,3Introduccion a la estadistica s 1,2,3
Introduccion a la estadistica s 1,2,3aalcalar
 
conceptos Básicos de la Estadística
conceptos Básicos de la Estadística conceptos Básicos de la Estadística
conceptos Básicos de la Estadística Yarold Alfonzo Garcia
 
Informe sobre Estadistica Descriptiva
Informe sobre Estadistica DescriptivaInforme sobre Estadistica Descriptiva
Informe sobre Estadistica DescriptivaJesus Paredes
 
Estadistica Descriptiva
Estadistica DescriptivaEstadistica Descriptiva
Estadistica DescriptivaPZB200
 
Estadística inferencial, conceptos basicos
Estadística inferencial, conceptos basicosEstadística inferencial, conceptos basicos
Estadística inferencial, conceptos basicosCristina Rios
 
ESTADISTICA BASICA
ESTADISTICA BASICA ESTADISTICA BASICA
ESTADISTICA BASICA Telmo Viteri
 
Definiciones y ejemplos estadistica1
Definiciones y ejemplos   estadistica1Definiciones y ejemplos   estadistica1
Definiciones y ejemplos estadistica1genacordobes
 
Estadística elemental
Estadística elementalEstadística elemental
Estadística elementalAsarely1
 
Estadistica
EstadisticaEstadistica
Estadisticawillaris
 
Elementos de estadistica descriptiva
Elementos de estadistica descriptivaElementos de estadistica descriptiva
Elementos de estadistica descriptivasitayanis
 
Introducción a la estadistica
Introducción a la estadisticaIntroducción a la estadistica
Introducción a la estadisticanatorabet
 
Analisis Estadistico
Analisis EstadisticoAnalisis Estadistico
Analisis EstadisticoGilberth4321
 
Distribución normal
Distribución normalDistribución normal
Distribución normalchillemi
 

Tendances (20)

Información sobre estadisticas
Información sobre estadisticasInformación sobre estadisticas
Información sobre estadisticas
 
Conceptos basicos de la estadistica
Conceptos basicos de la estadisticaConceptos basicos de la estadistica
Conceptos basicos de la estadistica
 
Conceptos basicos de Estadistica
Conceptos basicos de EstadisticaConceptos basicos de Estadistica
Conceptos basicos de Estadistica
 
1.1. Conceptos BáSicos De Estadistica
1.1.  Conceptos BáSicos De Estadistica1.1.  Conceptos BáSicos De Estadistica
1.1. Conceptos BáSicos De Estadistica
 
Introduccion a la estadistica s 1,2,3
Introduccion a la estadistica s 1,2,3Introduccion a la estadistica s 1,2,3
Introduccion a la estadistica s 1,2,3
 
conceptos Básicos de la Estadística
conceptos Básicos de la Estadística conceptos Básicos de la Estadística
conceptos Básicos de la Estadística
 
Informe sobre Estadistica Descriptiva
Informe sobre Estadistica DescriptivaInforme sobre Estadistica Descriptiva
Informe sobre Estadistica Descriptiva
 
Estadistica Descriptiva
Estadistica DescriptivaEstadistica Descriptiva
Estadistica Descriptiva
 
Estadística inferencial, conceptos basicos
Estadística inferencial, conceptos basicosEstadística inferencial, conceptos basicos
Estadística inferencial, conceptos basicos
 
ESTADISTICA BASICA
ESTADISTICA BASICA ESTADISTICA BASICA
ESTADISTICA BASICA
 
Definiciones y ejemplos estadistica1
Definiciones y ejemplos   estadistica1Definiciones y ejemplos   estadistica1
Definiciones y ejemplos estadistica1
 
Estadística elemental
Estadística elementalEstadística elemental
Estadística elemental
 
Estadística I - 01
Estadística I - 01Estadística I - 01
Estadística I - 01
 
Estadistica
EstadisticaEstadistica
Estadistica
 
Elementos de estadistica descriptiva
Elementos de estadistica descriptivaElementos de estadistica descriptiva
Elementos de estadistica descriptiva
 
Introducción a la estadistica
Introducción a la estadisticaIntroducción a la estadistica
Introducción a la estadistica
 
Tecnologia 11 6
Tecnologia 11 6Tecnologia 11 6
Tecnologia 11 6
 
Analisis Estadistico
Analisis EstadisticoAnalisis Estadistico
Analisis Estadistico
 
Estadística simple
Estadística simpleEstadística simple
Estadística simple
 
Distribución normal
Distribución normalDistribución normal
Distribución normal
 

Similaire à Estadistica ii

Similaire à Estadistica ii (20)

3esoestad uma 01
3esoestad uma 013esoestad uma 01
3esoestad uma 01
 
Introducción a la Estadísitica Descriptiva
Introducción a la Estadísitica DescriptivaIntroducción a la Estadísitica Descriptiva
Introducción a la Estadísitica Descriptiva
 
diapositivas de estadistica.ppt
diapositivas de estadistica.pptdiapositivas de estadistica.ppt
diapositivas de estadistica.ppt
 
Estadística con Excel... Sustento Teórico
Estadística con Excel... Sustento TeóricoEstadística con Excel... Sustento Teórico
Estadística con Excel... Sustento Teórico
 
1._Metod_Estad.ppt
1._Metod_Estad.ppt1._Metod_Estad.ppt
1._Metod_Estad.ppt
 
estad_uma_01.ppt
estad_uma_01.pptestad_uma_01.ppt
estad_uma_01.ppt
 
estad_uma_01.ppt
estad_uma_01.pptestad_uma_01.ppt
estad_uma_01.ppt
 
estadistica datos agrupados e introduccion
estadistica datos agrupados e introduccionestadistica datos agrupados e introduccion
estadistica datos agrupados e introduccion
 
estad_uma_01.ppt
estad_uma_01.pptestad_uma_01.ppt
estad_uma_01.ppt
 
estadistica_probabilidad_curso_clase avanzada
estadistica_probabilidad_curso_clase avanzadaestadistica_probabilidad_curso_clase avanzada
estadistica_probabilidad_curso_clase avanzada
 
estad_uma_01.ppt
estad_uma_01.pptestad_uma_01.ppt
estad_uma_01.ppt
 
estad_uma_01.ppt
estad_uma_01.pptestad_uma_01.ppt
estad_uma_01.ppt
 
Bioestadísticas
BioestadísticasBioestadísticas
Bioestadísticas
 
Estad uma 01
Estad uma 01Estad uma 01
Estad uma 01
 
Conceptos Básicos de Estadísticas Jaiver Araujo
Conceptos Básicos de Estadísticas Jaiver AraujoConceptos Básicos de Estadísticas Jaiver Araujo
Conceptos Básicos de Estadísticas Jaiver Araujo
 
SEMANA 01.pdf
SEMANA 01.pdfSEMANA 01.pdf
SEMANA 01.pdf
 
Clase2 estadistica preceptores
Clase2 estadistica preceptoresClase2 estadistica preceptores
Clase2 estadistica preceptores
 
semana 01 Ok 2022 2.pptx
semana 01 Ok 2022 2.pptxsemana 01 Ok 2022 2.pptx
semana 01 Ok 2022 2.pptx
 
Bioestadistica Y EpidemiologíA
Bioestadistica Y EpidemiologíABioestadistica Y EpidemiologíA
Bioestadistica Y EpidemiologíA
 
Ccw Bioestadistica Y EpidemiologíA
Ccw   Bioestadistica Y EpidemiologíACcw   Bioestadistica Y EpidemiologíA
Ccw Bioestadistica Y EpidemiologíA
 

Plus de Juan F.Guevara

errores-comunes-en-la-formulación-de-investigaciones-sociales (1)
 errores-comunes-en-la-formulación-de-investigaciones-sociales (1) errores-comunes-en-la-formulación-de-investigaciones-sociales (1)
errores-comunes-en-la-formulación-de-investigaciones-sociales (1)Juan F.Guevara
 
Diccionario de las preposiciones españolas
Diccionario de las preposiciones españolasDiccionario de las preposiciones españolas
Diccionario de las preposiciones españolasJuan F.Guevara
 
Normas APA par realizar una tesis.
Normas APA par realizar una  tesis.Normas APA par realizar una  tesis.
Normas APA par realizar una tesis.Juan F.Guevara
 
Problemas razonados de algebra
Problemas razonados de algebraProblemas razonados de algebra
Problemas razonados de algebraJuan F.Guevara
 
Reglamento nacional de edificaciones
Reglamento nacional de edificacionesReglamento nacional de edificaciones
Reglamento nacional de edificacionesJuan F.Guevara
 
Estandares para la_acreditacion_institucional_universitaria
Estandares para la_acreditacion_institucional_universitariaEstandares para la_acreditacion_institucional_universitaria
Estandares para la_acreditacion_institucional_universitariaJuan F.Guevara
 
La ciudad inca de Machu Picchu
La ciudad inca de Machu PicchuLa ciudad inca de Machu Picchu
La ciudad inca de Machu PicchuJuan F.Guevara
 
diez consejos para el manejo de la clase español
 diez consejos para el manejo de la clase español diez consejos para el manejo de la clase español
diez consejos para el manejo de la clase españolJuan F.Guevara
 
ejercicios resueltos de probabilidades
ejercicios resueltos de probabilidadesejercicios resueltos de probabilidades
ejercicios resueltos de probabilidadesJuan F.Guevara
 

Plus de Juan F.Guevara (20)

errores-comunes-en-la-formulación-de-investigaciones-sociales (1)
 errores-comunes-en-la-formulación-de-investigaciones-sociales (1) errores-comunes-en-la-formulación-de-investigaciones-sociales (1)
errores-comunes-en-la-formulación-de-investigaciones-sociales (1)
 
Diccionario de las preposiciones españolas
Diccionario de las preposiciones españolasDiccionario de las preposiciones españolas
Diccionario de las preposiciones españolas
 
Normas APA par realizar una tesis.
Normas APA par realizar una  tesis.Normas APA par realizar una  tesis.
Normas APA par realizar una tesis.
 
Temas de gramática
Temas de gramáticaTemas de gramática
Temas de gramática
 
Problemas razonados de algebra
Problemas razonados de algebraProblemas razonados de algebra
Problemas razonados de algebra
 
¿Lo sabías? LXXIV
¿Lo sabías? LXXIV¿Lo sabías? LXXIV
¿Lo sabías? LXXIV
 
¿Lo sabias? LXVIII
¿Lo sabias? LXVIII¿Lo sabias? LXVIII
¿Lo sabias? LXVIII
 
Reglamento nacional de edificaciones
Reglamento nacional de edificacionesReglamento nacional de edificaciones
Reglamento nacional de edificaciones
 
Estandares para la_acreditacion_institucional_universitaria
Estandares para la_acreditacion_institucional_universitariaEstandares para la_acreditacion_institucional_universitaria
Estandares para la_acreditacion_institucional_universitaria
 
¿Lo sabias? LXVII
¿Lo sabias? LXVII¿Lo sabias? LXVII
¿Lo sabias? LXVII
 
Calculo mental
Calculo mentalCalculo mental
Calculo mental
 
¿Lo sabias? LXV pdf
¿Lo sabias? LXV pdf¿Lo sabias? LXV pdf
¿Lo sabias? LXV pdf
 
¿Lo sabias?...LXIV
¿Lo sabias?...LXIV¿Lo sabias?...LXIV
¿Lo sabias?...LXIV
 
¿Lo sabias? LXIII
¿Lo sabias? LXIII¿Lo sabias? LXIII
¿Lo sabias? LXIII
 
Frases de pobreza
Frases de pobrezaFrases de pobreza
Frases de pobreza
 
¿Lo sabias? LXII pdf
¿Lo sabias? LXII  pdf¿Lo sabias? LXII  pdf
¿Lo sabias? LXII pdf
 
La ciudad inca de Machu Picchu
La ciudad inca de Machu PicchuLa ciudad inca de Machu Picchu
La ciudad inca de Machu Picchu
 
diez consejos para el manejo de la clase español
 diez consejos para el manejo de la clase español diez consejos para el manejo de la clase español
diez consejos para el manejo de la clase español
 
Frases de amor
Frases de amorFrases de amor
Frases de amor
 
ejercicios resueltos de probabilidades
ejercicios resueltos de probabilidadesejercicios resueltos de probabilidades
ejercicios resueltos de probabilidades
 

Dernier

Herbert James Drape. Erotismo y sensualidad.pptx
Herbert James Drape. Erotismo y sensualidad.pptxHerbert James Drape. Erotismo y sensualidad.pptx
Herbert James Drape. Erotismo y sensualidad.pptxArs Erótica
 
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdf
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdfAnna Llenas Serra. El monstruo de colores. Doctor de emociones.pdf
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdfSaraGabrielaPrezPonc
 
CARPETA PEDAGÓGICA 2024.docx para educacion
CARPETA PEDAGÓGICA 2024.docx para educacionCARPETA PEDAGÓGICA 2024.docx para educacion
CARPETA PEDAGÓGICA 2024.docx para educacionCarolVigo1
 
U2_EA1_descargable TIC 2 SEM VIR PRE.pdf
U2_EA1_descargable TIC 2 SEM VIR PRE.pdfU2_EA1_descargable TIC 2 SEM VIR PRE.pdf
U2_EA1_descargable TIC 2 SEM VIR PRE.pdfJavier Correa
 
Tecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxTecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxJulioSantin2
 
Escrito administrativo técnico y comerciales
Escrito administrativo técnico y comercialesEscrito administrativo técnico y comerciales
Escrito administrativo técnico y comercialesmelanieteresacontrer
 
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍAPROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍAJoaqunSolrzano
 
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdf
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdfGUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdf
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdfNELLYKATTY
 
Adoración sin fin al Dios Creador por sus bendiciones
Adoración sin fin al Dios Creador por sus bendicionesAdoración sin fin al Dios Creador por sus bendiciones
Adoración sin fin al Dios Creador por sus bendicionesAlejandrino Halire Ccahuana
 
5°-CARPETA PEDAGÓGICA 2024-MAESTRAS DE PRIMARIA PERÚ-978387435.doc
5°-CARPETA PEDAGÓGICA 2024-MAESTRAS DE PRIMARIA PERÚ-978387435.doc5°-CARPETA PEDAGÓGICA 2024-MAESTRAS DE PRIMARIA PERÚ-978387435.doc
5°-CARPETA PEDAGÓGICA 2024-MAESTRAS DE PRIMARIA PERÚ-978387435.docGLADYSPASTOR
 
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..La Gatera de la Villa nº 51. Revista cultural sobre Madrid..
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..La Gatera de la Villa
 
Presentación del tema: tecnología educativa
Presentación del tema: tecnología educativaPresentación del tema: tecnología educativa
Presentación del tema: tecnología educativaricardoruizaleman
 
Programación Anual 2024 - CIENCIAS SOCIALES.docx
Programación Anual 2024  - CIENCIAS SOCIALES.docxProgramación Anual 2024  - CIENCIAS SOCIALES.docx
Programación Anual 2024 - CIENCIAS SOCIALES.docxJhordanBenitesSanche1
 
la forma de los objetos expresión gráfica preescolar
la forma de los objetos expresión gráfica preescolarla forma de los objetos expresión gráfica preescolar
la forma de los objetos expresión gráfica preescolarCa Ut
 
explicacionsobrelasemanasanta-190411100653.ppt
explicacionsobrelasemanasanta-190411100653.pptexplicacionsobrelasemanasanta-190411100653.ppt
explicacionsobrelasemanasanta-190411100653.pptjosemanuelcremades
 

Dernier (20)

Tema 6.- La identidad visual corporativa y el naming.pdf
Tema 6.- La identidad visual corporativa y el naming.pdfTema 6.- La identidad visual corporativa y el naming.pdf
Tema 6.- La identidad visual corporativa y el naming.pdf
 
Herbert James Drape. Erotismo y sensualidad.pptx
Herbert James Drape. Erotismo y sensualidad.pptxHerbert James Drape. Erotismo y sensualidad.pptx
Herbert James Drape. Erotismo y sensualidad.pptx
 
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdf
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdfAnna Llenas Serra. El monstruo de colores. Doctor de emociones.pdf
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdf
 
VISITA DE ESTUDO À CRUZ VERMELHA _
VISITA DE ESTUDO À CRUZ VERMELHA                   _VISITA DE ESTUDO À CRUZ VERMELHA                   _
VISITA DE ESTUDO À CRUZ VERMELHA _
 
CARPETA PEDAGÓGICA 2024.docx para educacion
CARPETA PEDAGÓGICA 2024.docx para educacionCARPETA PEDAGÓGICA 2024.docx para educacion
CARPETA PEDAGÓGICA 2024.docx para educacion
 
U2_EA1_descargable TIC 2 SEM VIR PRE.pdf
U2_EA1_descargable TIC 2 SEM VIR PRE.pdfU2_EA1_descargable TIC 2 SEM VIR PRE.pdf
U2_EA1_descargable TIC 2 SEM VIR PRE.pdf
 
Conducta ética en investigación científica.pdf
Conducta ética en investigación científica.pdfConducta ética en investigación científica.pdf
Conducta ética en investigación científica.pdf
 
Tecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxTecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptx
 
Escrito administrativo técnico y comerciales
Escrito administrativo técnico y comercialesEscrito administrativo técnico y comerciales
Escrito administrativo técnico y comerciales
 
Sesión de clase ES: Adoración sin fin...
Sesión de clase ES: Adoración sin fin...Sesión de clase ES: Adoración sin fin...
Sesión de clase ES: Adoración sin fin...
 
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍAPROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
PROGRAMACIÓN CURRICULAR ANUAL DE CIENCIA Y TECNOLOGÍA
 
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdf
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdfGUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdf
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdf
 
Adoración sin fin al Dios Creador por sus bendiciones
Adoración sin fin al Dios Creador por sus bendicionesAdoración sin fin al Dios Creador por sus bendiciones
Adoración sin fin al Dios Creador por sus bendiciones
 
Actividad de bienestar docente 2016 Pereira
Actividad de bienestar docente 2016 PereiraActividad de bienestar docente 2016 Pereira
Actividad de bienestar docente 2016 Pereira
 
5°-CARPETA PEDAGÓGICA 2024-MAESTRAS DE PRIMARIA PERÚ-978387435.doc
5°-CARPETA PEDAGÓGICA 2024-MAESTRAS DE PRIMARIA PERÚ-978387435.doc5°-CARPETA PEDAGÓGICA 2024-MAESTRAS DE PRIMARIA PERÚ-978387435.doc
5°-CARPETA PEDAGÓGICA 2024-MAESTRAS DE PRIMARIA PERÚ-978387435.doc
 
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..La Gatera de la Villa nº 51. Revista cultural sobre Madrid..
La Gatera de la Villa nº 51. Revista cultural sobre Madrid..
 
Presentación del tema: tecnología educativa
Presentación del tema: tecnología educativaPresentación del tema: tecnología educativa
Presentación del tema: tecnología educativa
 
Programación Anual 2024 - CIENCIAS SOCIALES.docx
Programación Anual 2024  - CIENCIAS SOCIALES.docxProgramación Anual 2024  - CIENCIAS SOCIALES.docx
Programación Anual 2024 - CIENCIAS SOCIALES.docx
 
la forma de los objetos expresión gráfica preescolar
la forma de los objetos expresión gráfica preescolarla forma de los objetos expresión gráfica preescolar
la forma de los objetos expresión gráfica preescolar
 
explicacionsobrelasemanasanta-190411100653.ppt
explicacionsobrelasemanasanta-190411100653.pptexplicacionsobrelasemanasanta-190411100653.ppt
explicacionsobrelasemanasanta-190411100653.ppt
 

Estadistica ii

  • 1. Estadística Introducción a la estadística Estadistica (2003 – 2004) – UNFV- Song : without you by air supply
  • 2.
  • 3.
  • 4.
  • 5. Método científico y estadística Plantear hipótesis Obtener conclusiones Recoger datos y analizarlos Diseñar experimento
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20. Inferencia estadística 1.- Principales conceptos. Muestreo. Distribución muestral de un estadístico. Principales distribuciones muestrales. Maestria en Administración – (2003- 2004 ) - UNFV - Song : big in japan by Alphaville
  • 21. Principales conceptos en inferencia estadística Idea básica: Hacer inferencias sobre la población a partir de la muestra que hemos extraído de la misma. Ello nos lleva a tratar (brevemente) el tema del muestreo. Pensemos que la muestra habrá de ser representativa de la población, para que podamos efectuar inferencias que tengan sentido.
  • 22.
  • 23.
  • 24. Muestreo probabilístico 1. Muestreo aleatorio simple Es aquel en el que, a priori, todos los elementos de la muestra tienen la misma probabilidad de aparición. Supongamos que tengamos una población de 50.000 individuos, y que tenemos un listado con sus nombres. Si queremos elegir 100 personas, lo que necesitamos es que el ordenador elija al azar a 100 individuos de esos 50.000.
  • 25. Muestreo probabilístico 2. Muestreo estratificado En el muestreo estratificado, los investigadores han de dividir a los sujetos en diferentes subpoblaciones (o estratos), en función de cierta característica relevante, y después lo que hacen es un muestro aleatorio simple de cada estrato. Evidentemente, cada individuo debe pertenecer a un estrato (y solo uno), y cada individuo del estrato habrá de tener la misma probabilidad de ser escogido como parte de la muestra. Ejemplo : Supongamos que, en Cajamarca, 70% de los niños de primaria van a escuela pública y el 30% a concertada. Si queremos 1,000 niños, lo que haremos es dividir los alumnos en 2 estratos (pública y concertada) y se eligen aleatoriamente 700 niños de la pública y aleatoriamente 300 de la concertada.
  • 26. Muestreo probabilístico 3. Muestreo por conglomerados En el muestreo por conglomerados, en lugar de considerar cada elemento de la población, lo que consideramos son “conglomerados de elementos”. El proceso es elegir aleatoriamente uno o varios conglomerados y la muestra estará formada por TODOS los elementos de los conglomerados. Ejemplos : -En las encuestas durante las elecciones, los conglomerados pueden ser las mesas electorales, y lo que se hace es escoger algunas mesas al azar (y de ahí se toman todos los votos de las mesas seleccionadas). -En otros ejemplos, los conglomerados pueden ser los bloques de viviendas, los municipios, etc.
  • 27. Muestreo probabilístico 4. Muestreo por etapas En este caso se combina el muestreo aleatorio simple con el muestreo por conglomerados: Primero se realiza un muestreo por conglomerados (v.g., si los conglomerados son colegios en Lince, se seleccionan aleatoriamente varios de ellos). Segundo, no se eligen todos los alumnos (como ocurriría en un muestro por conglomerados), sino que se elige una muestra aleatoria. (Dicha muestra puede ser obtenida por muestreo aleatorio simple o puede ser estratificado.) Es decir, hemos tenido 2 etapas de muestreo. Y claro está, es posible tener más de 2 etapas...
  • 28.
  • 29. Muestreo no probabilístico 1. Muestreo sin norma (o de conveniencia) Se elige a una muestra por ser conveniente, fácil, económica. Pero no se hace en base a un criterio de aleatoridad. Ejemplo: las encuestas en los periódicos electrónicos; el muestreo habitual en los trabajos en psicología. 2. Muestreo intencional En este caso, si bien el muestreo no es probabilístico, los investigadores procuran que se garantice la representatividad de la muestra
  • 30. Distribución muestral de un estadístico Supongamos que tenemos una variable aleatoria, cuya distribución es f ( x) Supongamos, por simplicidad, que obtenemos una muestra aleatoria simple con tamaño n = X 1 , X 2 , ... X n Entonces, un estadístico es cualquier función h definida sobre X 1 , X 2 , ... X n y que no incluye parámetro desconocido alguno: Y=h( X 1 , X 2 , ... X n ) La distribución de dicho estadístico Y la vamos a denominar g(y)
  • 31. Distribución muestral de un estadístico Observad: f (x) es la distribución de la v.a. bajo estudio g(y) es la distribución del estadístico que tenemos Es vital conocer la distribución muestral del estadístico de interés para poder efectuar inferencias sobre el parámetro correspondiente. Esto es, para efectuar inferencias sobre la media poblacional  , necesitamos conocer la distribución muestral de
  • 32. Distribución muestral de la media Veremos primero el caso de que la distribución subyacente sea normal , con media y varianza La media de la distribución muestral de medias es La varianza de la distribución muestral de medias es La forma de la distribución muestral de la media es normal . Nota: La desviación típica de la distribución muestral suele ser denominada: error típico de tal estadístico (v.g., “error típico de la media”, etc.)
  • 33. Distribución muestral de la media. Ejemplo 1 Distribución poblacional subyacente (dist. Normal): Media=100 (Varianza=225) Desv.Típica=15 Distribución muestral de la media: Tamaño muestral=10 Media=100 (Varianza=225/10=22.5) Desv.típica= La línea (en este y sucesivos ejemplos) es una curva normal En este y sucesivos gráficos: Número de réplicas
  • 34. Distribución muestral de la media. Ejemplo 2 Distribución poblacional subyacente (dist. Normal): Media=100 Desv.Típica=15 Distribución muestral de la media: Tamaño muestral=20 Media=100 (Varianza=225/20=11.3) Desv.típica=3.35
  • 35. Distribución muestral de la media. Ejemplo 3 Distribución poblacional subyacente (dist. Normal): Media=100 Desv.Típica=15 Distribución muestral de la media: Tamaño muestral=50 Media=100 (Varianza=225/50=4.5) Desv.típica=2.12
  • 36. Distribución muestral de la media Veremos ahora el caso de que la distribución subyacente sea arbitraria , si bien sabemos que la media es y la varianza sea La media de la distribución muestral de medias es La varianza de la distribución muestral de medias es La forma de la distribución muestral de la media TAMBIÉN tiende a ser normal. En concreto, la distribución muestral se acercará más y más a la distribución normal (media  y varianza  2 /n ) a medida que se aumente el tamaño de cada muestra .
  • 37. Distribución muestral de la media. Ejemplo 4 Distribución poblacional subyacente ( dist. GAMMA ): Media=100= Varianza=100= La distribución GAMMA tiene 2 parámetros:  que es un parámetro de escala (1) p que es un parámetro de forma (100)
  • 38. Distribución muestral de la media. Ejemplo 4 Distribución poblacional subyacente (dist. GAMMA): Media=100 Varianza=100 Distribución muestral de la media: Tamaño muestral=10 Media=100 (Varianza=100/10=10) Desv.típica=
  • 39. Distribución muestral de la media. Ejemplo 5 Distribución poblacional (dist. EXPONENCIAL): Media=0.1=1/  Varianza=0.01=1/  2 La distribución EXPONENCIAL tiene 1 parámetro:  (en el ejemplo: 10) Ejemplo de distr.exponencial en psicología: v.g., tiempo transcurrido entre 2 pulsaciones de una rata en una caja de Skinner.
  • 40. Distribución muestral de la media. Ejemplo 5a Distribución muestral de la media: Tamaño muestral=10 Media=.100 (Varianza=0.01/10=.001) Desv.típica=.03 Distribución poblacional (dist. EXPONENCIAL): Media=0.1=1/  Varianza=0.01=1/  2 Observad que la dist. muestral se aproxima a la normal
  • 41. Distribución muestral de la media. Ejemplo 5b Distribución muestral de la media: Tamaño muestral=20 Media=.100 (Varianza=0.01/20=.0005) Desv.típica=.022 Distribución poblacional ( dist. EXPONENCIAL): Media=0.1=1/  Varianza=0.01=1/  2 Observad que la distribución muestral se aproxima más a la normal (al elevar el tamaño muestral).
  • 42. Distribución muestral de Cuando la distribución de la que obtenemos las medias muestrales es gaussiana (“distr.normal”), la expresión anterior se distribuye según la distribución t de Student con t n-1 grados de libertad. (Esta distribución es básica para efectuar inferencias entre dos medias.) OTRAS DISTRIBUCIONES MUESTRALES (1) Distribución muestral de Cuando las distribuciones de la que obtenemos las varianzas muestrales son gaussianas, la expresión anterior se distribuye según la distribución F de Fisher con n 1 -1 grados de libertad en el numerador y n 2 -1 grados de libertad en el denominador. (Recordad que la distribución F es básica para la razón de varianzas: ANOVA.) Asumiendo varianzas poblacionales iguales
  • 43. Distribución muestral de Cuando las distribución de la que obtenemos la varianza muestral es gaussiana, la anterior expresión se distribuye según la distribución chi-cuadrado con n-1 grados de libertad. OTRAS DISTRIBUCIONES MUESTRALES (2)
  • 44. Simulación a eventos discretos Song . California dreaming by The mamas and the papas.
  • 45. Independencia de las muestras Los resultados de una corrida de simulación, son muestras de alguna distribución. Esos resultados los llamamos &quot;respuestas &quot; . Las respuestas pueden ser: promedios de valores recolectados en toda o parte de la corrida, o simplemente una única medida (ej. largo de la cola al final de la corrida). Las respuestas son muestras de distribuciones, por lo tanto pueden variar de una corrida a otra o en la misma corrida. El promedio de la distribución de respuestas la notamos  y lo llamamos la media (valor medio) de la distribución .
  • 46. Independencia de las muestras Cuando los resultados son promedios de valores recolectados en estado estacionario , una sola respuesta “puede” ser usada como la estimación de la media de la distribución. En sistemas terminales o no estacionarios siempre deben realizarse varias corridas, de modo de obtener varias muestras como respuestas, tanto para calcular la media como para calcular la varianza,
  • 47. Dispersión de la muestra La dispersión de la variable aleatoria respecto de su media, se mide mediante la desviación estándar  o la varianza  2 . Si la varianza es grande quiere decir que no todos los valores que toma la V.A. están cerca de la media. Para calcular la varianza de la distribución muestreada es necesario obtener varias respuestas independientes .
  • 48. Análisis de resultados En general es aconsejable realizar varias corridas independientes para tomar varias muestras como respuestas tanto para calcular la media como la varianza (y la desviación estándar). Por lo tanto.... El análisis estadístico de los experimentos de simulación requieren de varias respuestas independientes x 1 , ...,x n . Cada una de estas muestras se obtienen a partir de alguno de los siguientes métodos.
  • 49. Métodos muestreo resultados (1) 1.- Se realizan n corridas que generan x 1 , ..., x n . Cada corrida con torrentes de números aleatorios diferentes e independientes . Cada corrida es una replicación . Se pueden registrar resultados solamente en determinados períodos de interés.
  • 50. Métodos muestreo resultados (2) 2.- El método de replicación en sistemas estacionarios. Los datos se toman solamente en el período estacionario, la muestra o resultado es un promedio de los datos obtenidos durante la corrida o replicación.
  • 51. Métodos muestreo resultados (3) 3.- Método batch means, usado en simulaciones de estado estacionario, aquellos que llevan mucho tiempo en alcanzar ese estado. Se corre el período run-in una sola vez; a partir de allí se registran valores de x i en intervalos sucesivos de tiempo de igual longitud, 1 ... n. Riesgo: correlación entre resultados sucesivos.
  • 52. Métodos muestreo resultados (4) 4.- El método regenerativo se utiliza cuando nos interesan medidas en períodos o instantes específicos (particulares) del tiempo. Por ejemplo nos interesa el largo de la cola cuando se rompe una máquina (cantidad de máquinas rotas en esa ocasión). Entonces consideramos un punto regenerativo (la ruptura de la máquina), y se registra una muestra independiente inmediatamente después de cada ruptura.
  • 53. Cálculo media y varianza Media, Varianza son los parámetros que mas interesan calcular. Si x i es la i-ésima respuesta de n replicaciones o batches entonces podemos estimar la media  , s 2 un estimador sin sesgo de la varianza  2 de las respuestas.
  • 54. Intervalo de confianza Nos interesa saber con qué grado de seguridad estamos estimando el valor medio de la distribución. La estimación es el promedio muestreado de un conjunto de respuestas, entonces el intervalo de confianza nos brinda una medida de la confianza que le podemos tener a esa estimación ; Los límites de un 95% de confianza son los puntos extremos de un intervalo alrededor de la media de la muestra; significa que la media de la distribución se muestreará con una probabilidad de 0.95.
  • 55. Intervalo de Confianza La varianza de la media de la muestra de tamaño n es
  • 56. Intervalo de Confianza Los límites del 95% del intervalo de confianza se pueden calcular de tablas de distribución Student para muestras pequeñas y de tablas de la distribución Normal para muestras grandes . Para la Normal los límites de un intervalo de confianza de 95% son
  • 58. Otras técnicas de análisis La Técnica predictiva se usa en simulaciones no terminales que no alcanzan estado estacionario. Se toma una medida de la media x t en un intervalo de tiempo t y se grafican los valores tomados (x t vs t) para tener una idea de como varían los valores con el tiempo. Si queremos una idea mas precisa, se pueden realizar varias y diferentes corridas y tomar promedios de ellas. También se puede usar técnicas de regresión múltiple para ajustar los valores obtenidos a algún tipo de curva, aunque a veces el patrón de conducta de x t puede ser complejo, lo que dificulta el análisis de la misma.
  • 59. Verificación de hipótesis Esta técnica se usa para determinar cuando las respuestas de simulaciones comparativas son significantes estadísticamente. Si x es una respuesta de una v.a de media  x de una corrida e y ( media  y ) es la respuesta de la corrida con valores cambiados de las var. de decisión, entonces la hipótesis a verificar es  x =  y . Si realizamos n corridas para un conjunto de valores de las variables de decisión y repetimos el mismo número de corridas para los valores cambiados, entonces la media muestreada de la primera experiencia es X y de la segunda es Y. La verificación se basa en la diferencia entre X e Y y cuánto se aleja la desviación estándar de la media. El cálculo de la desviación estándar dependerá de cuan independientes son los valores x i e y i de las corridas realizadas (distribución t o Normal).
  • 60. Análisis de factores (1) Esta técnica estadística se utiliza para evaluar o determinar los efectos que los cambios en las variables de decisión producen en las salidas o resultados de la simulación. Las variables de decisión se llaman factores , por lo tanto corremos la simulación con distintos valores asignados a los factores (niveles) para medir cuánto afecta a los resultados de la simulación, los distintos factores ya sea individualmente como interactuando uno con otro.
  • 61. Análisis de factores (2) La complejidad del análisis crece exponencialmente con la cantidad de factores, ya que si tenemos n factores y nos interesa el factor i medido en el nivel m i , tenemos  m i diferentes posibles formas de hacerlo. Esto además se complica mas, si existe mas de una salida a considerar .
  • 62. Análisis de factores (2) Esta técnica es usable para simulaciones con muchos factores a ser testeados en varios niveles. Pero es una técnica muy costosa en tiempo y por lo tanto muchos test estadísticos no pueden ser terminados. De todos modos es valiosa para tener una idea o imágen de los efectos ocasionados por distintos cambios en los factores de la simulación. (Law y Kelton 82). Depende tambien de la cantidad de torrentes accesibles
  • 63. Resumen cap. 5 Simulación terminal , estacionaria. Detección estado estacionario. Parámetros interesantes como registrarlos y presentarlos. Facilidades de PascalSIM. Técnicas de Análisis de resultados
  • 64. Modelo de simulación Producir un modelo de simulación no es solamente escribir código. La estructura de la simulación y sus distribuciones se derivarán de : OBJETIVOS HIPOTESIS DE TRABAJO RESPUESTAS VARIABLES DE DECISION
  • 65. Modelo de simulación El modelo se compone de: + Objetivos, hipótesis, variables de decisión y respuestas, + diagramas de actividades + especificación + pesudocódigo + código
  • 66.
  • 67. Modelo de simulación HIPOTESIS DE TRABAJO . Existen hipótesis implícitas al modelo y otras explícitas. Ambas deben ser documentadas. Los programas deben ser diseñados de forma de permitir cambios en etapas posteriores del proyecto. (reducen la complejidad del modelo)
  • 68. Modelo de simulación RESPUESTAS tipos de parámetros y medidas de interés, así como estadísticas y datos a recolectar para el análisis. VARIABLES DE DECISION . Los objetivos indicarán cuáles serán fijos y cuáles cambiables.
  • 69. Especificación Sala internación El sistema es una simplificación del problema real (describirlo). La especificación del problema está dada por el detalle de los objetivos, las hipótesis de trabajo, las variables de decisión, las respuestas y las duraciones de las distintas actividades (tabla 6.1) y el diagrama de actividades (fig 2.2).
  • 70.
  • 71. Programa Se programa según algún método elegido. La sala de operaciones es agendada por dos tipos de eventos: fin de operación, y tiempo en que está cerrada. Se define una variable booleana que controla esas condiciones en la entidad &quot;sala de operaciones&quot; que siempre está en el calendario (ver record en libro pag 107). Las variables de decisión se declaran como constante globales.
  • 72. Programa El unidad de tiempo de la simulación es la hora. q4 es una cola ficticia, ventaja: cada actividad está compuesta por el par de eventos C y B, lo que facilita la modificación posterior del programa. Los histogramas se declaran y nuevos valores son ingresados cada vez que haya un cambio en algún tipo de evento C o B.
  • 73. Período Run-in Simulación del Hospital es de tipo &quot;Estacionaria&quot;, debemos determinar cuando comenzar a tomar datos para procesar. Utilizamos el método de promedios acumulados (tabla 6.2) se agrega código en la fase B del ejecutivo para producir promedios de las respuestas cada 49 hs simuladas. La Fig 6.1 grafica los datos obtenidos.
  • 74. Período Run-in Observar que : la cola de solo internados y el tiempo de espera para operación alcanzan el estado estable rápidamente ( se admite para operación si no hay pacientes tipo solo internación). La estabilidad se alcanza alrededor de las 720 hs. En un proyecto real, se deben obtener un cierto número considerable de promedios acumulados de respuestas, usando diferentes torrentes de números para asegurarse de que realmente se ha alcanzado el estado estacionario.
  • 75. Resultados Se simularon 14 días luego de alcanzada la estabilidad. Se utilizaron números distintos que los utilizados para determinar el período run-in. Observar: - La distribución de las filas de &quot;solo internados&quot; y pacientes a operar, tienen una varianza grande. - Las camas han tenido un gran porcentaje de utilización ( 20 en 318 hs de 336 simuladas) - 26 pacientes fueron operados y su tiempo de espera fue muy variado. Cada corrida con un conjunto de diferentes torrentes producen una replicación. Se necesitan varias replicaciones para obtener datos mas acertados. Los datos ameritan reducción de varianza.
  • 76. Taller de reparaciones Simulación terminal. Alcanza estabilidad enseguida. Se toman datos durante toda la simulación. Se podrían considerar las máquinas como variables de decisión. La lógica del programa se presta para adecuarlo a este cambio. A tener en cuenta: cómo continuar luego de teminada la jornada de trabajo (estudienlo!).
  • 77. Taller de reparaciones (2) Buena práctica: declarar los niveles de recursos y torrentes de número como constantes globales. Fácil de alterar durante la experimentación. Resultados: el número de máquinas rotas varió entre 0 y 10. La utilización de mecánicos fue mayor que la de equipos (84.25% vs 68.7%). Durante un gran período de tiempo los mecánincos estuvieron todos ocupados.
  • 78. IMPORTANTE Maestristas a nivel nacional en administración
  • 79. MUESTREO POBLACIÓN DE TAMAÑO N MUESTRA DE TAMAÑO n
  • 80.
  • 81. MUESTREO DISEÑOS DE MUESTREO ESTADÍSTICO ALEATORIO IRRESTRICTO (MAI; MSA) MUESTREO SISTEMÁTICO ESTRATIFICADO POLIETÁPICO POR CONGLOMERADOS IGUAL PROPORCIONAL NEYMAN ÓPTIMA
  • 82. MUESTREO ESTUDIO DE MUESTREO QUE DISEÑO DE MUESTREO SE DEBE UTILIZAR CUAL ES EL TAMAÑO ÓPTIMO DE LA MUESTRA QUE DISEÑO CARACTERÍSTICAS DE LA POBLACIÓN TAMAÑO DE LA MUESTRA TAMAÑO DE LA POBLACIÓN N GRADO DE VARIABILIDAD NIVEL DE PRECISIÓN NIVEL DE CONFIABILIDAD t (TABLAS) DISEÑO DE MUESTREO PARÁMETRO A ESTIMAR (PROMEDIO, PROPORCIÓN, TOTAL
  • 83. MUESTREO SIMPLE ALEATORIO POBLACIÓN DE TAMAÑO N MUESTRA DE TAMAÑO n EN FORMA ALEATORIA
  • 84. PARA ESTIMAR EL VALOR DE PARÁMETROS DE INTERÉS PARA QUE SE UTILIZA: CUANDO SE UTILIZA: CUANDO LA VARIABILIDAD DE LOS ELEMENTOS DE LA POBLACIÓN BAJO ESTUDIO, SEA MÍNIMA SUGERENCIA PRÁCTICA CUANDO EL COEFICIENTE DE VARIACIÓN < 15 %
  • 85.
  • 86. DETERMINACIÓN DEL TAMAÑO ÓPTIMO DE LA MUESTRA
  • 87.
  • 88.
  • 89.
  • 90.
  • 91.
  • 92.
  • 93.
  • 94.
  • 95.
  • 96.
  • 97.
  • 98.
  • 99.

Notes de l'éditeur

  1. Ver info en pagina web.
  2. new_entoty(1.i) importa el orden en hospital new_entity (1,1) new_entity (2,1) no importa, se maneja enlas colas