Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Probabilidad y estadística
Muestreo por Conglomerados (MPC), cuando los elementos que van a formar
parte de la muestra son una colección o conglomerado de unidades de análisis o
elementos.
Otros tipos de muestreo no probabilísticos serían el muestreo por conveniencia o
el muestro por bola de nieve.
En las Ciencias Sociales y Humanas, el diseño de muestras resulta fundamental a
la hora de realizar cualquier investigación pues, en comparación con otras
ciencias, no es posible ejercer control exhaustivo de las variables y la conducta
humana tiene facetas donde hay alta variabilidad.
Sin embargo, todavía hoy sigue siendo una de las áreas mas débiles dentro de la
Estadística, dado que son pocas las personas que están especializadas en esta
materia. De ahí que desde la Fundación iS+D nos hayamos animado a dar a
conocer todo tipo de investigadores/as y profesionales en qué consiste y para qué
sirven las técnicas de muestreo estadístico.
4.3 ESTIMULADOR
Los estadísticos de una muestra tienen como finalidad realizar una estimación de
los parámetros poblacionales. Entendemos por estimación el valor aproximado
que podemos asignar al parámetro poblacional en función del estadístico
correspondiente. El estadístico que permite inferir el valor de un parámetro se
denomina estimador. Sabemos que usar estimadores lleva una posibilidad de
error, por ello, es importante seleccionar el estimador más adecuado de acuerdo a
los siguientes criterios:
Imparcialidad, cuando en promedio el estimador tiende a tomar valores por arriba
y por abajo del parámetro estimado. Decimos que el estimador es insesgado.
Eficiencia: se mide con el error estándar o desviación estándar del estimador.
Congruencia: indica que al aumentar el tamaño de la muestra se asegura que el
valor del estadístico se acerca al valor del parámetro de la población.
Suficiencia: cuando el estimador utiliza la información contenida en la muestra de
manera que ningún otro estimador podría extraer más información de la misma.
Estos criterios se enumeran para considerar el cuidado que tienen los estadísticos
al seleccionar los estimadores. La estimación se puede realizar de dos formas: a
partir de un solo valor o dentro de un rango. El primero se llama estimación
puntual y el segundo se llama estimación por intervalo.
4.4 ESTIMADOR PUNTUAL
Una estimación puntual de un parámetro poblacional es cuando se utiliza un único
valor para estimar ese parámetro, es decir, se usa un punto en concreto de la
muestra para estimar el valor deseado.
Cuando estimamos un parámetro de forma puntual, podemos saber con certeza,
cual es ese valor. Imaginemos una población de 30 personas de las que
seleccionamos una muestra de 20 para las que conocemos sus edades. Estimar
de forma puntual la media de edad, sería tan sencillo como sumar esos 20 datos y
dividirlos entre el total de la muestra estadística.
Pensemos ahora en que queremos estimar la altura media de esa muestra. Al
contrario que antes, no tenemos el valor de la altura de cada persona. En este
caso no podríamos realizar una estimación puntual, es decir, no podríamos hallar
un valor concreto de esa altura media. En este caso tendríamos que realizar una
estimación por intervalos, es decir, podríamos acotar el valor más alto y más bajo
de las alturas de las personas con cierta seguridad o lo que en estadística se
conoce como cierto nivel de confianza.
Propiedades deseables de un estimador
Las propiedades deseables de un estimador son las siguientes:
Insesgadez: Un estimador es insesgado cuando la esperanza matemática del este
es igual al parámetro que se desea estimar. Por tanto, la diferencia entre el
parámetro a estimar y la esperanza de nuestro estimador tendría que ser 0.
Eficiente: Un estimador es más eficiente o tiene la capacidad de estimar de forma
precisa cuando su varianza es reducida. Por lo tanto ante 2 estimadores, siempre
elegiremos el que tenga una varianza menor.
Consistencia: Un estimador consistente es aquel que a medida que la medida que
la muestra crece se aproxima cada vez más al valor real del parámetro. Por lo
tanto, cuantos más y valores entran en la muestra, el parámetro estimado será
más preciso
Ejemplos de estimaciones puntuales
Para obtener una estimación puntual se usa un estadístico que recibe el nombre
de estimador o función de decisión. Algunos ejemplos de estadísticos son:
La media muestral que sirve como estimación puntual de la media poblacional.
Donde es y le simbolizan los límites superior e inferior del intervalo de confianza al
95%.
Nueve de los diez intervalos (salvo el definido alrededor de la Media muestral igual
a 3.7) incluyen el valor del parámetro dentro sus límites.
4.6 ERROR DE TIPO I
Si usted rechaza la hipótesis nula cuando es verdadera, comete un error de tipo I.
La probabilidad de cometer un error de tipo I es α, que es el nivel de significancia
que usted establece para su prueba de hipótesis. Un α de 0.05 indica que usted
está dispuesto a aceptar una probabilidad de 5% de estar equivocado al rechazar
la hipótesis nula. Para reducir este riesgo, debe utilizar un valor menor para α. Sin
embargo, usar un valor menor para alfa significa que usted tendrá menos
probabilidad de detectar una diferencia si esta realmente existe.
ERROR DE TIPO II
Cuando la hipótesis nula es falsa y usted no la rechaza, comete un error de tipo II.
La probabilidad de cometer un error de tipo II es β, que depende de la potencia de
la prueba. Puede reducir el riesgo de cometer un error de tipo II al asegurarse de
que la prueba tenga suficiente potencia. Para ello, asegúrese de que el tamaño de
la muestra sea lo suficientemente grande como para detectar una diferencia
práctica cuando está realmente exista
Ejemplo de error de tipo I y tipo II
Un error de tipo I se produce si el investigador rechaza la hipótesis nula y concluye
que los dos medicamentos son diferentes cuando, en realidad, no lo son. Si los
medicamentos tienen la misma eficacia, el investigador podría considerar que este
error no es muy grave, porque de todos modos los pacientes se beneficiarían con
el mismo nivel de eficacia independientemente del medicamento que tomen. Sin
embargo, si se produce un error de tipo II, el investigador no rechaza la hipótesis
nula cuando debe rechazarla. Es decir, el investigador concluye que los
medicamentos son iguales cuando en realidad son diferentes. Este error puede
poner en riesgo la vida de los pacientes si se pone en venta el medicamento
menos efectivo en lugar del medicamento más efectivo.
Cuando realice las pruebas de hipótesis, considere los riesgos de cometer errores
de tipo I y tipo II. Si las consecuencias de cometer un tipo de error son más graves
o costosas que cometer el otro tipo de error, entonces elija un nivel de
significancia y una potencia para la prueba que reflejen la gravedad relativa de
esas consecuencias.
4.7 CONTRASTES UNILATERALES Y BILATERALES
El contraste bilateral sitúa la región de rechazo en los dos extremos (colas) de la
distribución muestral. En cambio, el contraste unilateral sitúa la región de rechazo
en uno de los dos extremos (colas) de la distribución muestral. El contraste
bilateral (o de dos colas) se utiliza cuando la Hipótesis Alternativa asigna al
parámetro cualquier valor diferente al establecido en la Hipótesis Nula.
Ejemplo de contraste bilateral: