INTRODUCCIN

Se har referencia sobre el muestreo estadstico, tcnicas, niveles y tipos fundamentales de un muestreo; se describen conceptos bsicos que explican lo que esto se refiere al igual se aprecia como y que tipo de tcnicas se pueden utilizar para poner en practica la realizacin de una auditoria con la finalidad de obtener una informacin determinada para lograr un objetivo especifico. El muestreo estadstico es un procedimiento por el que se ingresan los valores verdaderos de una poblacin a travs de la experiencia obtenida con una muestra El muestreo como herramienta de la investigacin cientfica arroja resultados que se pueden utilizar para concluir un determinado estudio X de poblacin, al igual las tcnicas selectivas que se requieren para dicho estudio de acuerdo a lo que se va a evaluar. El muestreo permite una reduccin considerable de los costos materiales del estudio, una mayor rapidez en la obtencin de la informacin y el logro de resultados con mxima calidad.

Conceptos de Muestreo Estadstico

En estadstica un muestreo es la tcnica para la seleccin de una muestra a partir de una poblacin. En el muestreo, si el tamao de la muestra es mspequeo que el tamao de la poblacin, se puede extraer dos o ms muestras de la misma poblacin. Al conjunto de muestras que se pueden obtener de la poblacin se denomina espacio muestral. La variable que asocia a cada muestra su probabilidad de extraccin El muestreo: es una herramienta de la investigacin cientfica. Su funcin bsica es determinar que parte de una realidad en estudio (poblacin ouniverso) debe examinarse con la finalidad de hacer inferencias sobre dicha poblacin El Muestreo es ms que el procedimiento empleado para obtener una o ms muestras de una poblacin; el muestreo es una tcnica que sirve para obtener una o ms muestras de poblacin. Este se realiza una vez que se ha establecido un marco muestral representativo de la poblacin, se procede a la seleccin de los elementos de la muestra aunque hay muchos diseos de la muestra. Al tomar varias muestras de una poblacin, las estadsticas que calculamos para cada muestra no necesariamente seran iguales, y lo ms probable es que variaran de una muestra a otra. Muestreo Estadstico: son aquellos que se basan en el principio de equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas las posibles muestras de tamao n tienen la misma probabilidad de ser elegidas.

Tcnicas de seleccin del muestreo a travs del muestreo estadstico

Muestreo probabilstico: Forman parte de este tipo de muestreo todos aquellos mtodos para los que puede calcularse la probabilidad de extraccin de cualquiera de las muestras posibles. Este conjunto de tcnicas de muestreo es el ms aconsejable, aunque en ocasiones no es posible optar por l.

Muestreo estratificado: Consiste en la divisin previa de la poblacin de estudio en grupos o clases que se suponen homogneos respecto a caracterstica a estudiar. A cada uno de estos estratos se le asignara una cuota que determinara el nmero de miembros del mismo que compondrn la muestra. Muestreo sistemtico: Es la eleccin de una muestra a partir de los elementos de una lista segn un orden determinado, o recorriendo la lista a partir de un nmero aleatorio determinado. Muestreo por conglomerados: Cuando la poblacin se encuentra dividida, de manera natural, en grupos que se suponen que contienen toda la variabilidad de la poblacin, es decir, la representan fielmente respecto a la caracterstica a elegir, pueden seleccionarse slo algunos de estos grupos o conglomerados para la realizacin del estudio. Muestreo errtico: Tambin se llama sin norma. La muestra se realiza de cualquier forma, valorando nicamente la comodidad o la oportunidad en trminos de costes, tiempo u otro factor no estadstico. Al realizar un muestreo en una poblacin podemos hablar de muestreos probabilsticas y no probabilsticas, entre estas tcnicas o procedimientosestn:

Muestreo simple: Este tipo de muestreo toma solamente una muestra de una poblacin dada para el propsito de inferencia estadstica. Puesto que solamente una muestra es tomada, el tamao de muestra debe ser los suficientemente grandes para extraer una conclusin. Una muestra grande muchas veces cuesta demasiado dinero y tiempo. Muestreo aleatorio simple: Es aquel en que cada elemento de la poblacin tiene la misma probabilidad de ser seleccionado para integrar la muestra. Una muestra simple aleatoria es aquella en que sus elementos son seleccionados mediante el muestreo aleatorio simple. Ejemplo: De modo que una muestra simple aleatoria se

puede interpretar como un conjunto de valores de variables aleatorias independientes, cada una de las cuales tiene la misma distribucin que es llamada distribucin poblacin. Existen dos formas de extraer una muestra de una poblacin: con reposicin y sin reposicin.

Muestreo doble : cuando el resultado del estudio de la primera muestra no es decisivo, una segunda muestra es extrada de la misma poblacin. Las dos muestras son combinadas para analizar los resultados. Este mtodo permite a una persona principiar con una muestra relativamente pequea para ahorrar costos y tiempo. Si la primera muestra arroja una resultado definitivo, la segunda muestra puede no necesitarse.

Muestreo mltiple: El procedimiento bajo este mtodo es similar al expuesto en el muestreo doble, excepto que el nmero de muestras sucesivas requerido para llegar a una decisin es ms de dos muestras. Mtodos de muestreo clasificados de acuerdo con las maneras usadas en seleccionar los elementos de una muestra. Los elementos de una muestra pueden ser seleccionados de dos maneras diferentes: Basados en el juicio de una persona Seleccin aleatoria (al azar).

Muestreo con reemplazo: Es aquel en que un elemento puede ser seleccionado ms de una vez en la muestra para ello se extrae un elemento de la poblacin se observa y se devuelve a la poblacin, por lo que de esta forma se pueden hacer infinitas extracciones de la poblacin aun siendo esta finita. Muestreo sin reemplazo: No se devuelve los elementos extrados a la poblacin hasta que no se hallan extrados todos los elementos de la poblacin que conforman la muestra.

Niveles o Escalas de mediciones

Escala Nominal: La escala de medida nominal, puede considerarse la escala de nivel ms bajo, y consiste en la asignacin, puramente arbitraria de nmeros o smbolos a cada una de las diferentes categoras en las cuales podemos dividir el carcter que observamos, sin que puedan establecerse relaciones entre dichas categoras, a no ser el de que cada elemento pueda pertenecer a una y solo una de estas categoras. Se trata de agrupar objetos en clases, de modo que todos los que pertenezcan a la misma sean equivalentes respecto del atributo o propiedad en estudio, despus de lo cual se asignan nombres a tales clases, y el hecho de que a veces, en lugar de denominaciones, se le atribuyan nmeros, puede ser una de las razones por las cuales se le conoce como "medidas nominales". Escala Ordinal: En caso de que puedan detectarse diversos grados de un atributo o propiedad de un objeto, la medida ordinal es la indicada, puesto que entonces puede recurrirse a la propiedad de "orden" de los nmeros asignndolo a los objetos en estudio de modo que, si la cifra asignada al objeto A es mayor que la de B, puede inferirse que A posee un mayor grado de atributo que B. La asignacin de nmeros a las distintas categoras no puede ser completamente arbitraria, debe hacerse atendiendo al orden existente entre stas.

Escalas de intervalos iguales:

La escala de intervalos iguales, est caracterizada por una unidad de medida comn y constante que asigna un nmero igual al nmero de unidadesequivalentes a la de la magnitud que pose. Esta escala, adems de poseer las caractersticas de la escala ordinal, encontramos que la asignacin de los nmeros a los elemento es tan precisa que podemos determinar la magnitud de los intervalos (distancia) entre todos los elementos de la escala. a el elemento observado. Podemos decir que la escala de intervalos es la primera escala verdaderamente cuantitativa y a los caracteres que posean esta escala de medida pueden calculrsele todas las medidas estadsticas a excepcin del coeficiente de variacin.

Escala de coeficientes o Razones:

El nivel de medida ms elevado es el de cocientes o razones, y se diferencia de las escalas de intervalos iguales nicamente por poseer un punto cero propio como origen; es decir que el valor cero de esta escala significa ausencia de la magnitud que estamos midiendo. Si se observa una carencia total de propiedad, se dispone de una unidad de medida para el efecto.

Tipos fundamentales de un muestreo

Muestreo no probabilstico: En este tipo de muestreo, puede haber clara influencia de la persona o personas que seleccionan la muestra o simplemente se realiza atendiendo a razones de comodidad. Ejemplo: si hacemos una encuesta telefnica por la maana, las personas que no tienen telfono o que estn trabajando, no podrn formar parte de la muestra.

Muestreo probabilstico: En este tipo de muestreo, todos los individuos de la poblacin pueden formar parte de la muestra, tienenprobabilidad positiva de formar parte de la muestra. Por lo tanto es el tipo de muestreo que deberemos utilizar en nuestras investigaciones, por ser el riguroso y cientfico.

Muestreo en la Auditora
Generalidades: Las normas de auditoria relativas a la ejecucin del trabajo establecen la obligacin del auditor de obtener, mediante susprocedimientos de auditoria, evidencias comprobatorias suficientes y componentes para suministrar una base objetiva para su opinin. El auditor no est obligado a examinar todas y cada una de las transacciones de la empresa o de las partidas que forman los saldos finales, ya que mediante la aplicacin de sus procedimientos de auditoria a una muestra representativa de estas transacciones o partidas puede obtener la evidencia que requiere. El Muestreo en la Auditora: Es el proceso de seleccin de una muestra entre un grupo ms grande de partidas (llamado poblacin, campo, ouniverso), y que utiliza las caractersticas de la muestra para llegar a deducciones acerca de las caractersticas del campo completo de partidas. Consiste en la aplicacin de un procedimiento de cumplimiento sustantivo a menos de la totalidad en las partidas que forman el saldo de una cuenta oclase de transaccin (muestra), que permitan al auditor obtener y evaluar evidencias de alguna caracterstica del saldo o la transaccin y que permite llegar a una conclusin en relacin con las caractersticas.

CONCLUSIN
El muestreo Estadstico resulta beneficioso para implementarlo en la realizacin de un estudio, debido a que mediante este se pueden obtener probabilidades bajas o altas a travs de determinados beneficios que estas tcnicas ofrecen. En los diferentes tipos de muestreo existen no probabilstica en los cuales se deben establecer diferencia en el momento de realizar nuestras investigaciones por tanto que en el no probabilstica no toda la poblacin forma parte de la muestra y en el probabilstica todos los individuos tienen probabilidad positiva de formar parte de la muestra. El muestreo es sencillamente el procedimiento que se emplea a extraer una pequilla parte de una poblacin dentro de un universo a esta se le llamaespacio muestral dentro de un universo. Es importante resaltar que el primer procedimiento al realizar una auditoria, es iniciar las investigaciones de manera tal que esta arrojen conclusionesprovenientes de determinados estudios como puede ser el estadstico a travs de una muestra probabilstica.

BIBLIOGRAFA
Fuentes Consultadas

www.auditoriasistemas.com www.monografias.com/trabajos14/auditoria/auditoria.shtml

Draegert Sayvict Castro Gabriela Gonzlez Alejandro Tovar Ana Ciudad Bolvar, Septiembre de 2006

Muestreo en estadstica
En estadstica se conoce como muestreo a la tcnica para la seleccin de una muestra a partir de una poblacin. Al elegir una muestra se espera conseguir que sus propiedades sean extrapolables a la poblacin. Este proceso permite ahorrar recursos, y a la vez obtener resultados parecidos a los que se alcanzaran si se realizase un estudio de toda la poblacin. Cabe mencionar que para que el muestreo sea vlido y se pueda realizar un estudio adecuado (que consienta no solo hacer estimaciones de la poblacin sino estimar tambin los mrgenes de error correspondientes a dichas estimaciones), debe cumplir ciertos requisitos. Nunca podremos estar enteramente seguros de que el resultado sea una muestra representativa, pero s podemos actuar de manera que esta condicin se alcance con una probabilidad alta. En el muestreo, si el tamao de la muestra es ms pequeo que el tamao de la poblacin, se puede extraer dos o ms muestras de la misma poblacin. Al conjunto de muestras que se pueden obtener de la poblacin se denomina espacio muestral. La variable que asocia a cada muestra su probabilidad de extraccin, sigue la llamada distribucin muestral.
Contenido
[ocultar]

1 Tcnicas de muestreo 1.1 Muestreo probabilstico

1.1.1 Muestreo estratificado 1.1.2 Muestreo sistemtico 1.1.3 Muestreo por estadios mltiples 1.1.4 Muestreo por conglomerados

 o
2 Vase tambin

1.1.5 Homogeneidad de las poblaciones o sus subgrupos 1.2 Muestreo de juicio 1.2.1 Muestreo por cuotas 1.2.2 Muestreo de bola de nieve 1.2.3 Muestreo subjetivo por decisin razonada

[editar]Tcnicas

de muestreo

Existen dos mtodos para seleccionar muestras de poblaciones: el muestreo no aleatorio o de juicio y el muestreo aleatorio (que incorpora el azar como recurso en el proceso de seleccin). Cuando este ltimo cumple con la condicin de que todos los elementos de la poblacin tienen alguna oportunidad de ser escogidos en la muestra, si la probabilidad correspondiente a cada sujeto de la poblacin es conocida de antemano, recibe el nombre de muestreo probabilstico. Una muestra seleccionada por muestreo de juicio puede basarse en la experiencia de alguien con la poblacin. Algunas veces una muestra de juicio se usa como gua o muestra tentativa para decidir cmo tomar una muestra aleatoria ms adelante.

[editar]Muestreo

probabilstico

Forman parte de este tipo de muestreo todos aquellos mtodos para los que puede calcular la probabilidad de extraccin de cualquiera de las muestras posibles. Este conjunto de tcnicas de muestreo es el ms aconsejable, aunque en ocasiones no es posible optar por l. En este caso se habla de muestras probabilsticas, pues no es en rigor correcto hablar de muestras representativas dado que, al no conocer las caractersticas de la poblacin, no es posible tener certeza de que tal caracterstica se haya conseguido.

Sin reposicin de los elementos: Cada elemento extrado se descarta para la subsiguiente extraccin. Por ejemplo, si se extrae una muestra de una "poblacin" de bombillas para estimar la vida media de las bombillas que la integran, no ser posible medir ms que una vez la bombilla seleccionada. Con reposicin de los elementos: Las observaciones se realizan con reemplazamiento de los individuos, de forma que la poblacin es idntica en todas las extracciones. En poblaciones muy grandes, la probabilidad de repetir una extraccin es tan pequea que el muestreo puede considerarse sin reposicin aunque, realmente, no lo sea. Con reposicin mltiple: En poblaciones muy grandes, la probabilidad de repetir una extraccin es tan pequea que el muestreo puede considerarse sin reposicin. Cada elemento extrado se descarta para la subsiguiente extraccin.

Para realizar este tipo de muestreo, y en determinadas situaciones, es muy til la extraccin de nmeros aleatorios mediante ordenadores, calculadoras o tablas construidas al efecto.

[editar]Muestreo estratificado
Consiste en la divisin previa de la poblacin de estudio en grupos o clases que se suponen homogneos con respecto a alguna caracterstica de las que se van a estudiar. A cada uno de estos estratos se le asignara una cuota que determinara el nmero de miembros del mismo que compondrn la muestra. Dentro de cada estrato se suele usar la tcnica de muestreo sistemtico, una de las tcnicas de seleccin ms usadas en la prctica. Segn la cantidad de elementos de la muestra que se han de elegir de cada uno de los estratos, existen dos tcnicas de muestreo estratificado:

Asignacin proporcional: el tamao de la muestra dentro de cada estrato es proporcional

al tamao del estrato dentro de la poblacin.

Asignacin ptima: la muestra recoger ms individuos de aquellos estratos que tengan

ms variabilidad. Para ello es necesario un conocimiento previo de la poblacin. Por ejemplo, para un estudio de opinin, puede resultar interesante estudiar por separado las opiniones de hombres y mujeres pues se estima que, dentro de cada uno de estos grupos, puede haber cierta homogeneidad. As, si la poblacin est compuesta de un 55% de mujeres y un 45% de hombres, se tomara una muestra que contenga tambin esos mismos porcentajes de hombres y mujeres. Para una descripcin general del muestreo estratificado y los mtodos de inferencia asociados con este procedimiento, suponemos que la poblacin est dividida en h subpoblaciones o estratos de tamaos conocidos N1, N2,..., Nh tal que las unidades en cada estrato sean homogneas respecto a la caracterstica en cuestin. La media y la varianza desconocidas para el i-simo estrato son denotadas por mi ysi2, respectivamente.

[editar]Muestreo sistemtico
Se utiliza cuando el universo o poblacin es de gran tamao, o ha de extenderse en el tiempo. Primero hay que identificar las unidades y relacionarlas con el calendario (cuando proceda). Luego hay que calcular una constante, que se denomina coeficiente de elevacin K= N/n; donde N es el tamao del universo y n el tamao de la muestra. Determinar en qu fecha se producir la primera extraccin, para ello hay que elegir al azar un nmero entre 1 y K; de ah en adelante tomar uno de cada K a intervalos regulares. Ocasionalmente, es conveniente tener en cuenta la periodicidad del fenmeno. Esto quiere decir que si tenemos un determinado nmero de personas que es la poblacin (N) y queremos escoger de esa poblacin un nmero ms pequeo el cual es la muestra (n), dividimos el

nmero de la poblacin por el nmero de la muestra que queremos tomar y el resultado de esta operacin ser el intervalo, entonces escogemos un nmero al azar desde uno hasta el nmero del intervalo, y a partir de este nmero escogemos los dems siguiendo el orden del intervalo.

[editar]Muestreo por estadios mltiples

Esta tcnica es la nica opcin cuando no se dispone de lista completa de la poblacin de referencia o bien cuando por medio de la tcnica de muestreo simple o estratificado se obtiene una muestra con unidades distribuidas de tal forma que resultan de difcil acceso. En el muestreo a estadios mltiples se subdivide la poblacin en varios niveles ordenados que se extraen sucesivamente por medio de un procedimiento de embudo. El muestreo se desarrolla en varias fases o extracciones sucesivas para cada nivel. Por ejemplo, si tenemos que construir una muestra de profesores de primaria en un pas determinado, stos pueden subdividirse en unidades primarias representadas por circunscripciones didcticas y unidades secundarias que seran los propios profesores. En primer lugar extraemos una muestra de las unidades primarias (para lo cual debemos tener la lista completa de estas unidades) y en segundo lugar extraemos aleatoriamente una muestra de unidades secundarias de cada una de las primarias seleccionadas en la primera extraccin.

[editar]Muestreo por conglomerados

Tcnica similar al muestreo por estadios mltiples, se utiliza cuando la poblacin se encuentra dividida, de manera natural, en grupos que se supone que contienen toda la variabilidad de la poblacin, es decir, la representan fielmente respecto a la caracterstica a elegir, pueden seleccionarse slo algunos de estos grupos o conglomerados para la realizacin del estudio. Dentro de los grupos seleccionados se ubicarn las unidades elementales, por ejemplo, las personas a encuestar, y podra aplicrsele el instrumento de medicin a todas las unidades, es decir, los miembros del grupo, o slo se le podra aplicar a algunos de ellos, seleccionados al azar. Este mtodo tiene la ventaja de simplificar la recogida de informacin muestral. Cuando, dentro de cada conglomerado seleccionado, se extraen algunos individuos para integrar la muestra, el diseo se llama muestreo bietpico. Las ideas de estratos y conglomerados son, en cierto sentido, opuestas. El primer mtodo funciona mejor cuanto ms homognea es la poblacin respecto del estrato, aunque ms diferentes son stos entre s. En el segundo, ocurre lo contrario. Los conglomerados deben presentar toda la variabilidad, aunque deben ser muy parecidos entre s.

[editar]Homogeneidad de las poblaciones o sus subgrupos

Homogneo siginifica, en el contexto de la estratificacin, que no hay mucha variabilidad. Los estratos funcionan mejor cuanto ms homogneos son cada uno de ellos respecto a la caracterstica a medir. Por ejemplo, si se estudia la estatura de una poblacin, es bueno distinguir entre los

estratos mujeres y hombres porque se espera que, dentro de ellos, haya menos variabilidad, es decir, sean menos heterogneos. Dicho de otro modo, no hay tantas diferencias entre unas estaturas y otras dentro del estrato que en la poblacin total. Por el contrario, la heterogeneidad hace intil la divisin en estratos. Si se dan las mismas diferencias dentro del estrato que en toda la poblacin, no hay por qu usar este mtodo de muestreo. En los casos en los que existan grupos que contengan toda la variabilidad de la poblacin, lo que se construyen son conglomerados, que ahorran algo del trabajo que supondra analizar toda la poblacin. En resumen, los estratos y los conglomerados funcionan bajo principios opuestos: los primeros son mejores cuanto ms homogneo es el grupo respecto a la caracterstica a estudiar y los conglomerados, si representan fielmente a la poblacin, esto es, contienen toda su viariabilidad, o sea, son heterogneos.

[editar]Muestreo

de juicio

Aqul para el que no puede calcularse la probabilidad de extraccin de una determinada muestra. Se busca seleccionar a individuos que se juzga de antemano tienen un conocimiento profundo del tema bajo estudio, por lo tanto, se considera que la informacin aportada por esas personas es vital para la toma de decisiones.

[editar]Muestreo por cuotas

Es la tcnica ms difundida sobre todo en estudios de mercado y sondeos de opinin. En primer lugar es necesario dividir la poblacin de referencia en varios estratos definidos por algunas variables de distribucin conocida (como el gnero o la edad). Posteriormente se calcula el peso proporcional de cada estrato, es decir, la parte proporcional de poblacin que representan. Finalmente se multiplica cada peso por el tamao de n de la muestra para determinar la cuota precisa en cada estrato. Se diferencia del muestreo estratificado en que una vez determinada la cuota, el investigador es libre de elegir a los sujetos de la muestra dentro de cada estrato.

[editar]Muestreo de bola de nieve

Indicado para estudios de poblaciones clandestinas, minoritarias o muy dispersas pero en contacto entre s. Consiste en identificar sujetos que se incluirn en la muestra a partir de los propios entrevistados. Partiendo de una pequea cantidad de individuos que cumplen los requisitos necesarios estos sirven como localizadores de otros con caractersticas anlogas.

[editar]Muestreo subjetivo por decisin razonada

En este caso las unidades de la muestra se eligen en funcin de algunas de sus caractersticas de manera racional y no casual. Una variante de esta tcnica es el muestreo compensado o equilibrado, en el que se seleccionan las unidades de tal forma que la media de la muestra para determinadas variables se acerque a la media de la poblacin.

Concepto de muestreo

El muestreo es una herramienta de la investigacin cientfica. Su funcin bsica es determinar que parte de una realidad en estudio (poblacin o universo) debe examinarse con la finalidad de hacer inferencias sobre dicha poblacin. El error que se comete debido a hecho de que se obtienen conclusiones sobre cierta realidad a partir de la observacin de slo una parte de ella, se denomina error de muestreo. Obtener una muestra adecuada significa lograr una versin simplificada de la poblacin, que reproduzca de algn modo sus rasgos bsicos. Muestra: En todas las ocasiones en que no es posible o conveniente realizar un censo, lo que hacemos es trabajar con una muestra, entendiendo por tal una parte representativa de la poblacin. Para que una muestra sea representativa, y por lo tanto til, debe de reflejar las similitudes y diferencias encontradas en la poblacin, ejemplificar las caractersticas de la misma. Cuando decimos que una muestra es representativa indicamos que rene aproximadamente las caractersticas de la poblacin que son importantes para la investigacin. a. Poblacin Los estadsticos usan la palabra poblacin para referirse no slo a personas si no a todos los elementos que han sido escogidos para su estudio. b. Muestra Los estadsticos emplean la palabra muestra para describir una porcin escogida de la poblacin. Matemticamente, podemos describir muestras y poblaciones al emplear mediciones como la Media, Mediana, la moda, la desviacin estndar. Cuando stos trminos describen una muestra se denominan estadsticas. - 1 - Una estadstica es una caracterstica de una muestra, los estadsticos emplean letras latinas minsculas para denotar estadsticas y muestras. 2. - Tipos de muestreo Los autores proponen diferentes criterios de clasificacin de los diferentes tipos de muestreo, aunque en general pueden dividirse en dos grandes grupos: mtodos de muestreo probabilsticos y mtodos de muestreo no probabilsticos. Terminologa Poblacin objeto: conjunto de individuos de los que se quiere obtener una informacin. Unidades de muestreo: nmero de elementos de la poblacin, no solapados, que se van a estudiar. Todo miembro de la poblacin pertenecer a una y slo una unidad de muestreo. Unidades de anlisis: objeto o individuo del que hay que obtener la informacin.

Marco muestral: lista de unidades o elementos de muestreo. Muestra: conjunto de unidades o elementos de anlisis sacados del marco.

1.
Concepto 2. Etapas bsicas en pruebas de hiptesis. 3. Pasos de la prueba de hiptesis 4. Conceptos bsicos para el procedimiento de pruebas de hiptesis. 5. Utilidad de las hiptesis: 6. CONCEPTO Afirmacin acerca de los parmetros de la poblacin. Etapas Bsicas en Pruebas de Hiptesis. Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en parmetro poblacional. Despus de recolectar unamuestra aleatoria, se compara la estadstica muestral, as como la media (x), con el parmetro hipottico, se compara con una supuesta media poblacional (). Despus se acepta o se rechaza el valor hipottico, segn proceda. Se rechaza el valor hipottico slo si el resultado muestral resulta muy poco probable cuando la hiptesis es cierta. Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0) es el valor hipottico del parmetro que se compra con el resultado muestral resulta muy poco probable cuando la hiptesis es cierta. Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia del 5%, entonces se rechaza la hiptesis nula solamente si el resultado muestral es tan diferente del valor hipottico que una diferencia de esa magnitud o mayor, pudiera ocurrir aleatoria mente con unaprobabilidad de 1.05 o menos. Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la estadstica muestral (el estimador no segado del parmetro que se prueba) o una versin transformada de esa estadstica muestral. Por ejemplo, para probar el valor hipottico de una media poblacional, se toma la media de una muestra aleatoria de esa distribucin normal, entonces es comn que se transforme la media en un valor z el cual, a su vez, sirve como estadstica de prueba. Consecuencias de las Decisiones en Pruebas de Hiptesis.
Decisiones Posibles Situaciones Posibles La hiptesis nula es verdadera La hiptesis nula es falsa

Aceptar la Hiptesis Nula Rechazar la Hiptesis Nula

Se acepta correctamente Error tipo I

Error tipo II Se rechaza correctamente

Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba. Habiendo especificado la hiptesis nula, el nivel de significancia y la estadstica de prueba que se van a utilizar, se produce a establecer el o los valores crticos de estadstica de prueba. Puede haber uno o ms de esosvalores, dependiendo de si se va a realizar una prueba de uno o dos extremos. Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al probar un valor hipottico de la media poblacional, se toma una muestra aleatoria y se determina el valor de la media muestral. Si el valor crtico que se establece es un valor de z, entonces se transforma la media muestral en un valor de z. Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica muestral con el valor (o valores) crticos de la estadstica de prueba. Despus se acepta o se rechaza la hiptesis nula. Si se rechaza sta, se acepta la alternativa; a su vez, esta decisin tendr efecto sobre otras decisiones de los administradores operativos, como por ejemplo, mantener o no un estndar de desempeo o cul de dos estrategias de mercadotecnia utilizar. La distribucin apropiada de la prueba estadstica se divide en dos regiones: una regin de rechazo y una de no rechazo. Si la prueba estadstica cae en esta ltima regin no se puede rechazar la hiptesis nula y se llega a la conclusin de que el proceso funciona correctamente. Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor crtico en la distribucin estadstica que divide la regin del rechazo (en la cual la hiptesis nula no se puede rechazar) de la regin de rechazo. A hora bien el valor crtico depende del tamao de la regin de rechazo. PASOS DE LA PRUEBA DE HIPTESIS 1. Expresar la hiptesis nula 2. 3. Expresar la hiptesis alternativa 4. Especificar el nivel de significanca 5. Determinar el tamao de la muestra 6. Establecer los valores crticos que establecen las regiones de rechazo de las de no rechazo. 7. Determinar la prueba estadstica. 8. Coleccionar los datos y calcular el valor de la muestra de la prueba estadstica apropiada. 9. Determinar si la prueba estadstica ha sido en la zona de rechazo a una de no rechazo. 10. Determinar la decisin estadstica. 11. Expresar la decisin estadstica en trminos del problema. CONCEPTOS BSICOS PARA EL PROCEDIMIENTO DE PRUEBAS DE HIPTESIS. Hiptesis Estadstica:

Al intentar alcanzar una decisin, es til hacer hiptesis (o conjeturas) sobre la poblacin aplicada. Tales hiptesis, que pueden ser o no ciertas, se llaman hiptesis estadsticas. Son, en general, enunciados acerca de las distribuciones de probabilidad de las poblaciones. Hiptesis Nula. En muchos casos formulamos una hiptesis estadstica con el nico propsito de rechazarla o invalidarla. As, si queremos decidir si una moneda est trucada, formulamos la hiptesis de que la moneda es buena (o sea p = 0,5, donde p es la probabilidad de cara). Analgicamente, si deseamos decidir si un procedimiento es mejor que otro, formulamos la hiptesis de que no hay diferencia entre ellos (o sea. Que cualquier diferencia observada se debe simplemente a fluctuaciones en el muestreo de la misma poblacin). Tales hiptesis se suelen llamar hiptesis nula y se denotan por Ho. Para todo tipo de investigacin en la que tenemos dos o ms grupos, se establecer una hiptesis nula. La hiptesis nula es aquella que nos dice que no existen diferencias significativas entre los grupos. Por ejemplo, supongamos que un investigador cree que si un grupo de jvenes se somete a un entrenamiento intensivo de natacin, stos sern mejoresnadadores que aquellos que no recibieron entrenamiento. Para demostrar su hiptesis toma al azar una muestra de jvenes, y tambin al azar los distribuye en dos grupos: uno que llamaremos experimental, el cual recibir entrenamiento, y otro que no recibir entrenamiento alguno, al que llamaremos control. La hiptesis nula sealar que no hay diferencia en el desempeo de la natacin entre el grupo de jvenes que recibi el entrenamiento y el que no lo recibi. Una hiptesis nula es importante por varias razones: Es una hiptesis que se acepta o se rechaza segn el resultado de la investigacin. El hecho de contar con una hiptesis nula ayuda a determinar si existe una diferencia entre los grupos, si esta diferencia es significativa, y si no se debi al azar. No toda investigacin precisa de formular hiptesis nula. Recordemos que la hiptesis nula es aquella por la cual indicamos que la informacin aobtener es contraria a la hiptesis de trabajo. Al formular esta hiptesis, se pretende negar la variable independiente. Es decir, se enuncia que la causa determinada como origen del problema flucta, por tanto, debe rechazarse como tal. Otro ejemplo: Hiptesis: el aprendizaje de los nios se relaciona directamente con su edad. Hiptesis Alternativa. Toda hiptesis que difiere de una dada se llamar una hiptesis alternativa. Por ejemplo: Si una hiptesis es p = 0,5, hiptesis alternativa podran ser p = 0,7, p " 0,5 p > 0,5. Una hiptesis alternativa a la hiptesis nula se denotar por H1.

Al responder a un problema, es muy conveniente proponer otras hiptesis en que aparezcan variables independientes distintas de las primeras que formulamos. Por tanto, para no perder tiempo en bsquedas intiles, es necesario hallar diferentes

hiptesis alternativas como respuesta a un mismo problema y elegir entre ellas cules y en qu orden vamos a tratar su comprobacin. Las hiptesis, naturalmente, sern diferentes segn el tipo de investigacin que se est realizando. En los estudios exploratorios, a veces, el objetivo de la investigacin podr ser simplemente el de obtener los mnimos conocimientos que permitan formular una hiptesis. Tambin es aceptable que, en este caso, resulten poco precisas, como cuando afirmamos que "existe algn tipo de problema social en tal grupo", o que los planetas poseen algn tipo de atmsfera, sin especificar de qu elementos est compuesto. Los trabajos de ndole descriptiva generalmente presentan hiptesis del tipo "todos los X poseen, en alguna medida, las caracterstica Y". Por ejemplo, podemos decir que todas las naciones poseen algn comercio internacional, y dedicarnos a describir, cuantificando, las relaciones comerciales entre ellas. Tambin podemos hacer afirmaciones del tipo "X pertenece al tipo Y", como cuando decimos que una tecnologa es capital - intensiva. En estos casos, describimos, clasificndolo, el objeto de nuestro inters, incluyndolo en un tipo ideal complejo de orden superior. Por ltimo, podemos construir hiptesis del tipo "X produce (o afecta) a Y", donde estaremos en presencia de una relacin entre variables. Errores de tipo I y de tipo II. Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se ha cometido un error de tipo I. Por otra parte, si aceptamos una hiptesis que debiera ser rechazada, diremos que se cometi un error de tipo II. En ambos casos, se ha producido un juicio errneo. Para que las reglas de decisin (o no contraste de hiptesis) sean buenos, deben disearse de modo que minimicen los errores de la decisin; y no es una cuestin sencilla, porque para cualquier tamao de la muestra, un intento de disminuir un tipo de error suele ir acompaado de un crecimiento del otro tipo. En la prctica, un tipo de error puede ser ms grave que el otro, y debe alcanzarse un compromiso que disminuya el error ms grave. La nica forma de disminuir ambos a la vez es aumentar el tamao de la muestra que no siempre es posible. Niveles de Significacin. Al contrastar una cierta hiptesis, la mxima probabilidad con la que estamos dispuesto a correr el riesgo de cometern error de tipo I, se llama nivel de significacin. Esta probabilidad, denota a menudo por se, suele especificar antes de tomar la muestra, de manera que los resultados obtenidos no influyan en nuestra eleccin. En la prctica, es frecuente un nivel de significacin de 0,05 0,01, si bien se une otros valores. Si por ejemplo se escoge el nivel de significacin 0,05 ( 5%) al disear una regla de decisin, entonces hay unas cinco (05) oportunidades entre 100 de rechazar la hiptesis cuando debiera haberse aceptado; Es decir, tenemos un 95% de confianza de que hemos adoptado la decisin correcta. En tal caso decimos que la hiptesis ha sido rechazada al nivel de significacin 0,05, lo cual quiere decir que tal hiptesis tiene una probabilidad 0,05 de ser falsa. Prueba de Uno y Dos Extremos.

Cuando estudiamos ambos valores estadsticos es decir, ambos lados de la media lo llamamos prueba de uno y dos extremos o contraste de una y dos colas. Con frecuencia no obstante, estaremos interesados tan slo en valores extremos a un lado de la media (o sea, en uno de los extremos de la distribucin), tal como sucede cuando se contrasta la hiptesis de que un proceso es mejor que otro (lo cual no es lo mismo que contrastar si un proceso es mejor o peor que el otro) tales contrastes se llaman unilaterales, o de un extremo. En tales situaciones, la regin crtica es una regin situada a un lado de la distribucin, con rea igual al nivel de significacin. Curva Caracterstica Operativa Y Curva De Potencia Podemos limitar un error de tipo I eligiendo adecuadamente el nivel de significancia. Es posible evitar el riesgo de cometer el error tipo II simplemente no aceptando nunca la hiptesis, pero en muchas aplicaciones prcticas esto es inviable. En tales casos, se suele recurrir a curvas caractersticas de operacin o curvas de potencia que son grficos que muestran las probabilidades de error de tipo II bajo diversas hiptesis. Proporcionan indicaciones de hasta que punto un test dado nos permitir evitar un error de tipo II; es decir, nos indicarn la potencia de un test a la hora de prevenir decisiones errneas. Son tiles en el diseo de experimentos por que sugieren entre otras cosas el tamao de muestra a manejar. Pruebas de hiptesis para la media y proporciones Debido a la dificultad de explicar este tema se enfocar un problema basado en un estudio en una fbrica de llantas. En este problema la fbrica de llantas tiene dos turnos de operarios, turno de da y turno mixto. Se selecciona una muestra aleatoria de 100 llantas producidas por cada turno para ayudar al gerente a sacar conclusiones de cada una de las siguientes preguntas: 1.- Es la duracin promedio de las llantas producidas en el turno de da igual a 25 000 millas? 2.- Es la duracin promedio de las llantas producidas en el turno mixto menor de 25 000 millas? 3.- Se revienta ms de un 8% de las llantas producidas por el turno de da antes de las 10 000 millas? Prueba De Hiptesis Para La Media En la fbrica de llantas la hiptesis nula y alternativa para el problema se plantearon como sigue: Ho: = 25 000 H1: 25 000

Si se considera la desviacin estndar las llantas producidas en el turno de da, entonces, con base en el teorema de limite central, la distribucin en el muestreo de la media seguira

la distribucin normal, y la prueba estadstica que esta basada en la diferencia entre la media de la muestra y la media hipottica se encontrara como sigue: Para ver el grfico seleccione la opcin "Descargar" del men superior Si el tamao de la regin de rechazo se estableciera en 5% entonces se podran determinar los valores crticos de la distribucin. Dado que la regin de rechazo esta dividida en las dos colas de la distribucin, el 5% se divide en dos partes iguales de 2.5%. Dado que ya se tiene la distribucin normal, los valores crticos se pueden expresar en unidades de desviacin. Una regin de rechazo de 0.25 en cada cola de la distribucin normal, da por resultado un rea de .475 entre la media hipottica y el valor crtico. Si se busca est rea en la distribucin normal, se encuentra que los valores crticos que dividen las regiones de rechazo y no rechazo son + 1.96 y - 1.96

Por tanto, la regla para decisin sera: Rechazar Ho si Z > + 1.96 O si Z < - 1.96 De lo contrario, no rechazar Ho No obstante, en la mayor parte de los casos se desconoce la desviacin estndar de la poblacin. La desviacin estndar se estima al calcular S, la desviacin estndar de la muestra. Si se supone que la poblacin es normal la distribucin en el muestreo de la media seguira una distribucin t con n-1 grados de libertad. En la prctica, se a encontrado que siempre y cuando el tamao de la muestra no sea muy pequeo y la poblacin no este muy sesgada, la distribucin t da una buena aproximacin a la distribucin de muestra de la media. La prueba estadstica para determinar la diferencia entre la media de la muestra y la media de la poblacin cuando se utiliza la desviacin estndar S de la muestra, se expresa con:

Para una muestra de 100, si se selecciona un nivel de significanca de .05, los valores crticos de la distribucin t con 100-1= 99 grados de libertad se puede obtener como se indica en la siguiente tabla: Para ver el grfico seleccione la opcin "Descargar" del men superior Como esta prueba de dos colas, la regin de rechazo de .05 se vuelve a dividir en dos partes iguales de .025 cada una. Con el uso de las tablas para t, los valores crticos son 1.984 y +1.984. la regla para la decisin es:

Rechazar Ho si O si - 1.984

>+1.984

De lo contrario, no rechazar Ho

Los resultados de la muestra para el turno de da fueron =25 430 millas, =4 000 millas y = 100. Puesto que se esta probando si la media es diferente a 25 000 millas, se tiene con la ecuacin Para ver el grfico seleccione la opcin "Descargar" del men superior Dado que = 1.075, se ve que -1.984 < +1.075 < + 1.984, entonces no se rechaza Ho.

Por ello, la de cisin de no rechazar la hiptesis nula Ho. En conclusin es que la duracin promedio de las llantas es 25 000 millas. A fin de tener encuenta la posibilidad de un error de tipo II, este enunciado se puede redactar como "no hay pruebas de que la duracin promedio de las llantas sea diferente a 25 000 millas en las llantas producidas en el turno de da". Prueba De Hiptesis Para Proporciones El concepto de prueba de hiptesis se puede utilizar para probar hiptesis en relacin con datos cualitativos. Por ejemplo, en el problema anterior elgerente de la fabrica de llantas quera determinar la proporcin de llantas que se reventaban antes de 10,000 millas. Este es un ejemplo de una variable cualitativa, dado que se desea llegar a conclusiones en cuanto a la proporcin de los valores que tienen una caracterstica particular. El gerente de la fbrica de llantas quiere que la calidad de llantas producidas, sea lo bastante alta para que muy pocas se revienten antes de las 10,000 millas. Si ms de un 8% de las llantas se revientan antes de las 10,000 millas, se llegara a concluir que el proceso no funciona correctamente. La hiptesis nula y alternativa se pueden expresar como sigue: Ho: p .08 (funciona correctamente) H1: p > .08 (no funciona correctamente)

La prueba estadstica se puede expresar en trminos de la proporcin de xitos como sigue: En donde Para ver el grfico seleccione la opcin "Descargar" del men superior p = proporcin de xitos de la hiptesis nula Ahora se determinar si el proceso funciona correctamente para las llantas producidas para el turno de da. Los resultados del turno de da ndican que cinco llantas en una muestra de 100 se reventaron antes de 10,000 millas para este problema, si se selecciona un nivel de significanca de .05, las regiones de rechazo y no rechazo se estableceran como a continuacin se muestra: Para ver el grfico seleccione la opcin "Descargar" del men superior Y la regla de decisin sera: Rechazar Ho si > + 1.645; de lo contrario no rechazar Ho. Con los datos que se tienen, = = .05

Y entonces,

= -1.107

Z -1.107 < + 1.645; por tanto no rechazar Ho. La hiptesis nula no se rechazara por que la prueba estadstica no ha cado en la regin de rechazo. Se llegara a la conclusin de que no hay pruebas de que ms del 8% de las llantas producidas en el turno de da se revienten antes de 10,000 millas. El gerente no ha encontrado ninguna prueba de que ocurra un nmero excesivo de reventones en las llantas producidas en el turno de da. http://cosmech.tripod.com/index.htm Pruebas de Hiptesis Una hiptesis estadstica es una suposicin hecha con respecto a la funcin de distribucin de una variable aleatoria. Para establecer la verdad o falsedad de una hiptesis estadstica con certeza total, ser necesario examinar toda la poblacin. En la mayora de las situaciones reales no es posible o practico efectuar este examen, y el camino mas aconsejable es tomar una muestra aleatoria de la poblacin y en base a ella, decidir si la hiptesis es verdadera o falsa.

En la prueba de una hiptesis estadstica, es costumbre declarar la hiptesis como verdadera si la probabilidad calculada excede el valor tabular llamado el nivel de significacin y se declara falsa si la probabilidad calculada es menor que el valor tabular. La prueba a realizar depender del tamao de las muestras, de la homogeneidad de las varianzas y de la dependencia o no de las variables. Si las muestras a probar involucran a ms de 30 observaciones, se aplicar la prueba de Z, si las muestras a evaluar involucran un nmero de observaciones menor o igual que 30 se emplea la prueba de t de student. La frmula de clculo depende de si las varianzas son homogneas o heterogneas, si el nmero de observaciones es igual o diferente, o si son variables dependientes. Para determinar la homogeneidad de las varianzas se toma la varianza mayor y se divide por la menor, este resultado es un estimado de la F de Fisher. Luego se busca en la tabla de F usando como numerador los grados de libertad (n-1) de la varianza mayor y como denominador (n-1) de la varianza menor para encontrar la F de Fisher tabular. Si la F estimada es menor que la F tabular se declara que las varianzas son homogneas. Si por el contrario, se declaran las varianzas heterogneas. Cuando son variables dependientes (el valor de una depende del valor de la otra), se emplea la tcnica de pruebas pareadas. Como en general estas pruebas se aplican a dos muestras, se denominarn a y b para referirse a ellas, as entenderemos por:

na al nmero de elementos de la muestra a nb al nmero de elementos de la muestra b xb al promedio de la muestra b s2a la varianza de la muestra a Y as sucesivamente

Entonces se pueden distinguir 6 casos a saber: 1. Caso de muestras grandes (n>30) 2. 3. Caso de na = nb y s2a = s2b 4. Caso de na = nb y s2a <> s2b 5. Caso de na <> nb y s2a = s2b 6. Caso de na <> nb y s2a <> s2b 7.Caso de variables dependientes 1.-Cuando las muestras a probar involucran a ms de 30 observaciones.

Ejemplo: La altura promedio de 50 palmas que tomaron parte de un ensayo es de 78 cm. con una desviacin estndar de 2.5 cm.; mientras que otras 50 palmas que no forman parte del ensayo tienen media y desviacin estndar igual a 77.3 y 2.8 cm.

Se desea probar la hiptesis de que las palmas que participan en el ensayo son ms altas que las otras. Consultando el valor z de la tabla a 95% de probabilidad se tiene que es 1.96, por lo consiguiente, el valor z calculado no fue mayor al valor de la tabla y entonces se declara la prueba no significativa. Conclusin: Las alturas promedio de los 2 grupos de palmas son iguales y la pequea diferencia observada en favor al primer grupo se debe al azar. 2.-Caso de nmero igual de observaciones y varianzas homogneas.

Ejemplo: Se plant cierto experimento en 24 parcelas para probar el efecto de la presencia o ausencia de K en el rendimiento de palma. Peso medio del racimo (Kg.)
n 1 2 3 4 5 6 7 8 9 10 11 a 20.0 24.0 21.0 22.0 23.0 24.0 22.5 22.0 21.5 20.0 22.0 b 24.0 28.0 25.0 25.0 27.0 27.5 28.0 26.0 26.0 24.5 26.5 a2 400.00 576.00 441.00 484.00 529.00 576.00 506.25 484.00 462.25 400.00 484.00 b2 576.00 784.00 625.00 625.00 729.00 756.25 784.00 576.00 676.00 600.25 702.25

12 Suma

24.0 266

28.5 316 26.33

576.00 5918.5

812.25 8346

Promedio 22.16

s2a = 5918.5 - (266)2/12 = 2.02 11 s2b = 8346 - (316)2/12 = 2.24 11 Se busca en la tabla de t de student con 2 (n-1) grados de libertad o sea 22, y se encuentra que el valor tabular es de 2.074 al 95% de probabilidad, el cual es menor que la t calculada y por lo tanto se declara la prueba significativa. Conclusin: La diferencia entre promedios observados es atribuible al efecto de tratamiento (K), por haberse conseguido un resultado significativo. 3.-Caso de igual nmero de observaciones y varianzas heterogneas.

Ejemplo: Se plant cierto experimento en 24 parcelas con dos clases de semillas: semilla mezclada y semilla DxP seleccionada. Se desea saber si el rendimiento observado por la semilla seleccionada difiere a la otra. Produccin de palma: TM/ha/ao Para ver la tabla seleccione la opcin "Descargar" del men superior

s2a = 1748.61 - (144.5)2/12 = 0.78 11 s2b = 4001.14 - (216.2)2/12 = 9.63 11 Consultando la tabla de t con n-1 grados de libertad (11) se encuentra un valor de 2.201, por lo tanto, la diferencia se declara significativa.

Conclusin: El rendimiento observado por las plantas de semilla seleccionada fue significativamente superior a las otras. 4.-Caso de diferente nmero de observaciones y varianzas homogneas

Ejemplo: Se tom una rea de terreno distribuida en 22 parcelas y a 13 de ellas se les aplic un fertilizante nitrogenado para medir el efecto del N en el crecimiento. rea foliar de la hoja # 17 en m2 Para ver la tabla seleccione la opcin "Descargar" del men superior

s2a = 968.93 - (112.1)2/13 = 0.19 12 s2b = 390.84 - (59.2)2/9 = 0.18 8 s2c = 12(0.19) + 8(0.18) = 0.19 20 Consultando la tabla de t con n-1 grados de libertad (11) se encuentra un valor de 2.201, por lo tanto, la diferencia se declara significativa. Conclusin: El rendimiento observado por las plantas de semilla seleccionada fue significativamente superior a las otras. Ejemplo: Se tom una rea de terreno distribuida en 22 parcelas y a 13 de ellas se les aplic un fertilizante nitrogenado para medir el efecto del N en el crecimiento. rea foliar de la hoja # 17 en m2 Para ver la tabla seleccione la opcin "Descargar" del men superior

s2a = 968.93 - (112.1)2/13 = 0.19 12 s2b = 390.84 - (59.2)2/9 = 0.18 8

s2c = 12(0.19) + 8(0.18) = 0.19 20 Consultando la tabla con (na-1) + (nb-1) o sea (20) grados de libertad, se obtiene el valor tabular de 2.086, el cual es menor que la t calculada, por lo tanto la diferencia se declara significativa. Conclusin: La diferencia detectada en estas dos muestras es atribuible a la aplicacin del fertilizante nitrogenado. 5.- Caso de diferente nmero de observaciones y varianzas heterogneas.

En este caso, la tc es comparada con la tg (t generada), que a diferencia de los casos anteriores, hay que calcularla.

Donde: ta y tb son los valores de la tabla con n-1 grados de libertad para a y b respectivamente Ejemplo: Se tomaron 2 muestras de palma comercial de orgenes diferentes y se midi el porcentaje de almendra en el racimo en ambas muestras, el objeto es probar si las muestras son diferentes genticamente o no. Porcentaje de almendra Para ver la tabla seleccione la opcin "Descargar" del men superior s2a = 225.02 - (53)2/14 = 1.88 13

s2b = 192.26 - (43.80)2/10 = 0.05 9

En este caso la t generada (tg), reemplaza la t de la tabla y como la tc es menor que la tg, la diferencia se declara No significativa.

Conclusin: La diferencia observada entre promedios es atribuible nicamente a errores de muestreo o variabilidad natural, y no a diferencias genticas. 6.-Caso de muestras pareadas (de variables dependientes) En este caso, se asume que las muestras han sido distribuidas por pares.

Ejemplo: Se tomaron 12 foliolos de palma joven y a cada uno se le trat la mitad con Benlate para medir la inhibicin del crecimiento de hongos. Magnitud del dano Sin Con n Benlate Benlate D = X - Y D2 Para ver la tabla seleccione la opcin "Descargar" del men superior

Consultando la tabla con n-1 grados de libertad se obtiene el valor tabular de 2.201, por lo tanto, la diferencia se declara significativa. Conclusin: De la prueba se desprende que el tratamiento con benlate redujo significativamente la incidencia de hongos. Utilidad de las hiptesis: El uso y formulacin correcta de las hiptesis le permiten al investigador poner a prueba aspectos de la realidad, disminuyendo la distorsin que pudieran producir sus propios deseos o gustos. Pueden ser sometidas a prueba y demostrarse como probablemente correctas o incorrectas sin que interfieran los valores o creencias del individuo.

Bibliografa las siguientes pginas contienen una presentacin en power point, con ejemplos de aplicacin. www.edustatspr.com/documentos/lecciones/L3.2_Prueba_Hipotesis_95.ppt www.edustatspr.com/documentos/lecciones/L3.3_Prueba_Hipotesis_2_pob_ 95.ppt La siguiente pgina se obtuvo el mtodo Kolmogorov-Smirnov www.ilustrados.com/publicaciones/EpyAVkuZVkTBkoEjEU.php http://Smirnov - Monografias_com.htm De las siguientes pginas se obtuvo las pruebas de hiptesis http://www.DosChivos_com Pruebas de Hiptesis.htm http://jagua.cfg.sld.cu/computacion/PH.htm www.cimat.mx/famat/nueva/cursos/probabilidad/cursos_metodos_estadistic os.html http://sancur22ceapuntes.iespana.es/sancur22ceapuntes/Administracion/CE NEVAL/OperacionesYMetodos/02MetodosCuantitativos/21PruebasHip/Prueb asHip.htm http://www.elrincondelvago.com. Proporcionado por los siguientes buscadores:

Google T1msn Terra Yahoo Mxico Web Entre otros

Tenorio Bahena, Jorge. INVESTIGACIN DOCUMENTAL. 3 ed. Mxico (1988). Ed. Mac Graw - Hill. Pick, Susan y Lpez, Ana Luisa. CMO INVESTIGAR EN CIENCIAS SOCIALES. 5 ed. Mxico (1994). Ed. Trillas S.A. Tamayo y Tamayo, Mario. EL PROCESO DE LA INVESTIGACIN CIENTFICA. 3 ed. Mxico (1998). Ed. Limusa S.A. Sabino, Carlos A. EL PROCESO DE INVESTIGACIN. Argentina (1996). Ed. Lumen - Humanitas.

Montes de Oca Francisco RESOLUCION TOTAL DE PROBABILIDAD Y ESTADISTICA Vol. 1 y 2 1990. Lincoln L. Chao INTRODUCCION A LA ESTADISTICA ED. CECSA. Ronald E. Walpol PROBABILIDAD Y ESTADISTICA PARA INGENIEROS Francisco Ramrez Talonia

UNIVERSO Y MUESTRA (Elaborado por Dra. Cristina Ludewig) OBJETIVOS: Identificar el universo y la muestra en investigaciones y ejemplos que se le presenten. Reconocer las muestras representativas y no representativas. Identificar los distintos tipos y clases de muestra. Seleccionar la muestra apropiada para ejemplos de investigacin y describir el procedimiento a seguir para conformar esa muestra. Mencionar los factores de los cuales depende el tamao de la muestra. En la mayora de las situaciones de investigacin no es posible estudiar todos los elementos o sujetos a los cuales se refiere el problema, sino que se trabaja con un grupo de ellos para luego generalizar los resultados a la totalidad, en un proceso que se conoce como inferencia estadstica. Para poder hacer esta inferencia es necesario que la cantidad de sujetos y la forma como son seleccionados, sean adecuadas. A continuacin se desarrollan algunos aspectos bsicos para facilitar a los alumnos de Investigacin en Salud, el manejo apropiado de esta importante fase de la investigacin. DEFINICIN DE TRMINOS Dos conceptos que interesa definir son los de poblacin y muestra. Poblacin (o universo) es cualquier coleccin finita o infinita de elementos o sujetos (poblacin de pacientes que acuden al Hospital Central Antonio Mara Pineda, poblacin de habitantes del rea de influencia del ambulatorio urbano tipo III Cabudare, poblacin de familias de una comunidad, poblacin de viviendas en el municipio Iribarren). Algunos autores establecen diferencias entre los trminos universo y poblacin, indicando con el primero un conjunto de personas, seres u objetos y con el segundo, un conjunto de nmeros obtenidos midiendo o contando cierta caracterstica de los mismos, de all que un universo puede contener varias poblaciones. Por ejemplo, del universo de pacientes del Hospital Central Antonio Mara Pineda, una poblacin estara dada por el conjunto de las edades de esas personas, sus tallas, sus pesos, etc. Cuando no haya posibilidad de confusin, se usa el trmino poblacin como sinnimo de universo, siendo ese el criterio que se usar en esta lectura.

NSTITUTO TECNOLOGICO DE CHIHUAHUA Contenido Teorema del lmite central Si se seleccionan muestras aleatorias de n observaciones de una poblacin con media y desviacin estndar , entonces, cuando n es grande, la distribucin

muestral de medias tendr aproximadamente una distribucin normal con una media igual a y una desviacin estndar de . La aproximacin ser cada vez ms exacta a medida de que n sea cada vez mayor. Ejemplo Para la dsitribucin muestral de medias del ejercicio pasado, encuentre: El error muestral de cada media La media de los errores muestrales La desviacin estndar de los errores muestrales. Solucin: En la tabla siguiente se ven las muestras, las medias de las muestras y los errores muestrales: Muestra x Error muestral, e=x(0,0) 0 0 - 3 = 3 (0,2) 1 1 - 3 = 2 (0,4) 2 2 - 3 = 1 (0,6) 3 3 3 = 0 (2,0) 1 1 3 = 2 (2,2) 2

2 3 = 1

(2,4) 3 3 3 = 0 (2,6) 4 4 3 = 1 (4,0) 2 2 3 = 1 (4,2) 3 3 3 = 0 (4,4) 4 4 3 = 1 (4,6) 5 5 3 = 2 (6,0) 3 3 3 = 0 (6,2) 4 4 3 = 1 (6,4) 5 5 3 = 2 (6,6) 6 6 3 = 3 La media de los errores muestrales es e, es:

La desviacin estndar de la distribucin de los errores muestrales e, es entonces: La desviacin estndar de la distribucin muestral de un estadstico se conoce como error estndar del estadstico. Para el ejercicio anterior el error estndar de la media denotado por x, es 1.58. Con esto se puede demostrar que si de una poblacin se eligen muestras de tamao n con reemplazo, entonces el error estndar de la media es igual a la desviacin estndar de la distribucin de los errores muestrales. En general se tiene: Cuando las muestras se toman de una poblacin pequea y sin reemplazo, se puede usar la formula siguiente para encontrar x . donde es la desviacin estndar de la poblacin de donde se toman las muestras, n es el tamao de la muestra y N el de la poblacin. Como rfegla de clculo, si el muestreo se hace sin reemplazo y el tamao de la poblacin es al menos 20 veces el tamao de la muestra (N20), entonces se puede usar la frmula. El factor se denomina factor de correccin para una poblacin finita. Ejemplo: Suponga que la tabla siguiente muestra la antiguedad en aos en el trabajo de tres maestros universitarios de matemticas: Maestro de matemticas Antiguedad A 6 B 4 C 2 Suponga adems que se seleccionan muestras aleatorias de tamao 2 sin reemplazo. Calcule la antigedad media para cada muestra, la media de la distribucin muestral y el error estndar, o la desviacin estndar de la distribucin muestral.

Solucin: Se pueden tener 3C2 =3 muestras posibles. La tabla lista todas las muestras posibles de tamao 2, con sus respectivas medias muestrales. Muestras Antigedad Media Muestral A,B (6,4) 5 A,C (6,2) 4 B,C (4,2) 3 La media poblacional es: La media de la distribucin muestral es: La desviacin estndar de la poblacin es: El error estndar o la desviacin estndar de la distribucin muestral es: Si utilizamos la frmula del error estndar sin el factor de correcin tendriamos que: Por lo que observamos que este valor no es el verdadero. Agregando el factor de correccin obtendremos el valor correcto: El diagrama de flujo resume las decisiones que deben tomarse cuando se calcula el valor del error estndar: Distribucin Muestral de Medias Si recordamos a la distribucin normal, esta es una distribucin continua, en forma de campana en donde la media, la mediana y la moda tienen un mismo valor y es simtrica.

Con esta distribucin podamos calcular la probabilidad de algn evento relacionado con la variable aleatoria, mediante la siguiente frmula: En donde z es una variable estandarizada con media igual a cero y varianza igual a uno. Con esta frmula se pueden a hacer los clculos de probabilidad para cualquier ejercicio, utilizando la tabla de la distribucin z. Sabemos que cuando se extraen muestras de tamao mayor a 30 o bien de cualquier tamao de una poblacin normal, la distribucin muestral de medias tiene un comportamiento aproximadamente normal, por lo que se puede utilizar la formula de la distribucin normal con y , entonces la frmula para calcular la probabilidad del comportamiento del estadstico, en este caso la media de la muestra , quedara de la siguiente manera: y para poblaciones finitas y muestro con reemplazo: Ejemplo: Una empresa elctrica fabrica focos que tienen una duracin que se distribuye aproximadamente en forma normal, con media de 800 horas y desviacin estndar de 40 horas. Encuentre la probabilidad de que una muestra aleatoria de 16 focos tenga una vida promedio de menos de 775 horas. Solucin: Este valor se busca en la tabla de z La interpretacin sera que la probabilidad de que la media de la muestra de 16 focos sea menor a 775 horas es de 0.0062. Ejemplo: Las estaturas de 1000 estudiantes estn distribuidas aproximadamente en forma normal con una media de 174.5 centmetros y una desviacin estndar de 6.9 centmetros. Si se extraen 200 muestras aleatorias de tamao 25 sin reemplazo de esta poblacin, determine: El nmero de las medias muestrales que caen entre 172.5 y 175.8 centmetros. El nmero de medias muestrales que caen por debajo de 172 centmetros. Solucin: Como se puede observar en este ejercicio se cuenta con una poblacin finita y un muestreo sin reemplazo, por lo que se tendr que agregar el factor de

correccin. Se proceder a calcular el denominador de Z para slo sustituirlo en cada inciso. (0.7607)(200)=152 medias muestrales (0.0336)(200)= 7 medias muestrales Distribucin muestral de Proporciones Existen ocasiones en las cuales no estamos interesados en la media de la muestra, sino que queremos investigar la proporcin de artculos defectuosos o la proporcin de alumnos reprobados en la muestra. La distribucin muestral de proporciones es la adecuada para dar respuesta a estas situaciones. Esta distribucin se genera de igual manera que la distribucin muestral de medias, a excepcin de que al extraer las muestras de la poblacin se calcula el estadstico proporcin (p=x/n en donde x es el nmero de xitos u observaciones de inters y n el tamao de la muestra) en lugar del estadsitico media. Una poblacin binomial est estrechamente relacionada con la distribucin muestral de proporciones; una poblacin binomial es una coleccin de xitos y fracasos, mientras que una distribucin muestral de proporciones contiene las posibilidades o proporciones de todos los nmeros posibles de xitos en un experimento binomial, y como consecuencia de esta relacin, las afirmaciones probabilsticas referentes a la proporcin muestral pueden evaluarse usando la aproximacin normal a la binomial, siempre que np5 y n(1-p) 5. Cualquier evento se puede convertir en una proporcin si se divide el nmero obtenido entre el nmero de intentos. Generacin de la Distribucin Muestral de Proporciones Suponga que se cuenta con un lote de 12 piezas, el cual tiene 4 artculos defectuosos. Se van a seleccionar 5 artculos al azar de ese lote sin reemplazo. Genere la distribucin muestral de proporciones para el nmero de piezas defectuosas. Como se puede observar en este ejercicio la Proporcin de artculos defectuosos de esta poblacin es 4/12=1/3. Por lo que podemos decir que el 33% de las piezas de este lote estn defectuosas. El nmero posible de muestras de tamao 5 a extraer de una poblacin de 12 elementos es 12C5=792, las cuales se pueden desglosar de la siguiente manera: Artculos Buenos Artculos Malos

Proporcin de artculos defectuoso Nmero de maneras en las que se puede obtener la muestra

1 4 4/5=0.8 8C1*4C4=8 2 3 3/5=0.6 8C2*4C3=112 3 2 2/5=0.4 8C3*4C2=336 4 1 1/5=0.2 8C4*4C1=280 5 0 0/5=0 8C5*4C0=56 Total 792 Para calcular la media de la distribucin muestral de proporciones se tendra que hacer la sumatoria de la frecuencia por el valor de la proporcin muestral y dividirla entre el nmero total de muestras. Esto es: Como podemos observar la media de la distribucin muestral de proporciones es igual a la Proporcin de la poblacin. p=P Tambin se puede calcular la desviacin estndar de la distribucin muestral de proporciones:

La varianza de la distribucin binomial es 2= npq, por lo que la varianza de la distribucin muestral de proporciones es 2p =(Pq)/n. Si se sustituten los valores en esta frmula tenemos que: , este valor no coincide con el de 0.1681, ya que nos falta agregar el factor de correccin para una poblacin finita y un muestreo sin reemplazo: La frmula que se utilizar para el clculo de probabilidad en una distribucin muestral de proporciones est basada en la aproximacin de la distribucin normal a la binomial . Esta frmula nos servir para calcular la probabilidad del comportamiento de la proporcin en la muestra. A esta frmula se le puede agregar el factor de correccin de si se cumple con las condiciones necesarias. Ejemplo: Se ha determinado que 60% de los estudiantes de una universidad grande fuman cigarrillos. Se toma una muestra aleatoria de 800 estudiantes. Calcule la probabilidad de que la proporcin de la muestra de la gente que fuma cigarrillos sea menor que 0.55. Solucin: Este ejercicio se puede solucionar por dos mtodos. El primero puede ser con la aproximacin de la distribucin normal a la binomial y el segundo utilizando la frmula de la distribucin muestral de proporciones. Aproximacin de la distribucin normal a la binomial: Datos: n=800 estudiantes p=0.60 x= (.55)(800) = 440 estudiantes p(x< 440) = ? Media= np= (800)(0.60)= 480 p(x< 440) = 0.0017. Este valor significa que existe una probabilidad del 0.17% de que al extraer una muestra de 800 estudiantes, menos de 440 fuman cigarrillos.

Distribucin Muestral de Proporciones Datos: n=800 estudiantes P=0.60 p= 0.55 p(p< 0.55) = ? Observe que este valor es igual al obtenido en el mtodo de la aproximacin de la distribucin normal a la binomial, por lo que si lo buscamos en la tabla de z nos da la misma probabilidad de 0.0017. Tambin se debe de tomar en cuenta que el factor de correccin de 0.5 se esta dividiendo entre el tamao de la muestra, ya que estamos hablando de una proporcin. La interpretacin en esta solucin, estara enfocada a la proporcin de la muestra, por lo que diramos que la probabilidad de que al extraer una muestra de 800 estudiantes de esa universidad, la proporcin de estudiantes que fuman cigarrillos sea menor al 55% es del 0.17%. Ejemplo: Un medicamento para malestar estomacal tiene la advertencia de que algunos usuarios pueden presentar una reaccin adversa a l, ms an, se piensa que alrededor del 3% de los usuarios tienen tal reaccin. Si una muestra aleatoria de 150 personas con malestar estomacal usa el medicamento, encuentre la probabilidad de que la proporcin de la muestra de los usuarios que realmente presentan una reaccin adversa, exceda el 4%. Resolverlo mediante la aproximacin de la normal a la binomial Resolverlo con la distribucin muestral de proporciones Aproximacin de la distribucin normal a la binomial: Datos: n=150 personas p=0.03 x= (0.04)(150) = 6 personas

p(x>6) = ? Media = np= (150)(0.03)= 4.5 p(x>6) = 0.1685. Este valor significa que existe una probabilidad del 17% de que al extraer una muestra de 150 personas, mas de 6 presentarn una reaccin adversa. Distribucin Muestral de Proporciones Datos: n=150 personas P=0.03 p= 0.04 p(p>0.04) = ? Observe que este valor es igual al obtenido y la interpretacin es: existe una probabilidad del 17% de que al tomar una muestra de 150 personas se tenga una proporcin mayor de 0.04 presentando una reaccin adversa. Ejemplo: Se sabe que la verdadera proporcin de los componentes defectuosos fabricadas por una firma es de 4%, y encuentre la probabilidad de que una muestra aleatoria de tamao 60 tenga: Menos del 3% de los componentes defectuosos. Ms del 1% pero menos del 5% de partes defectuosas. Solucin: Datos: n= 60 artculos P=0.04 p= 0.03 p(p<0.03) = ?

La probabilidad de que en una muestra de 60 artculos exista una proporcin menor de 0.03 artculos defectuosos es de 0.2327. Datos: n= 60 artculos P=0.04 p= 0.01 y 0.05 p(0.01<p<0.05) = ?

http://www.mitecnologico.com/Main/DefinicionDeMuestreo http://www.monografias.com/trabajos11/tebas/tebas.shtml http://www.monografias.com/trabajos39/muestreo-estadistico/muestreoestadistico.shtml http://es.wikipedia.org/wiki/Muestreo_en_estad%C3%ADstica http://www.ucla.edu.ve/dmedicin/departamentos/medicinapreventivasocial/SEB/in vestigacion/muestreo.pdf http://www.mitecnologico.com/Main/DistribucionMuestralDiferenciaDeMediasYD eDiferenciaDeProporciones