Documentos de Académico
Documentos de Profesional
Documentos de Cultura
“CAYETANO HEREDIA”
CURSO: Investigación Tecnológica
DOCENTE: Luis Alberto Piscoya D.
INTEGRANTES:
Aguilar Cadenillas Joselyn
Higinio Mendo Catty
Jiménez Rivaneyra Milagros
Rioja Valladolid Martha
Tejada Valdera Ana Lucia
Torres Serquen Maricarmen
MÉTODOS DE REGRESIÓN
Y CORRELACIÓN SIMPLE
La Regresión y la correlación
Yi es el valor de la variable
dependiente
a o alfa es el intercepto, donde cruza el
eje Y
b o beta es la pendiente o inclinación
Técnicas más utilizadas en el análisis de
regresión lineal simple
(Visualmente) patrones que nos indiquen que las variables están relacionadas
Entonces (si esto sucede), podemos ver que tipo de línea, o ecuación de
estimación, describe esta relación.
Diagramas de dispersión
Ejemplo: regresión lineal simple
Son medidas de correlación para dos variables, por lo menos una de ellas es ordinal.
Los individuos u objetos se ordenan por rangos (jerarquías).
Ej: correlación de Spearman
Hipótesis.
Ho. No habrá una correlación significativa en el desarrollo mental de
8 niños dependiendo de la educación formal de la madre
H1. Habrá una correlación significativa en el desarrollo mental de 8
niños dependiendo de la educación formal de la madre.
Ej.: correlación de Spearman
Escolaridad Desarrollo educacion. (x) desarr.ollo (y) Dif. (d) Dif al cuadrado
1o. Sec 90 5 7 -2 4
1o. Prim 87 4 2 2 4
Profesional 89 8 6 2 4
6o. Prim. 80 2 5 -3 9
3o. Sec. 85 6 4 2 4
3 Prim. 84 3 3 0 0
Analf. 75 1 1 0 0
Preparatoria 91 7 8 -1 1
n=8 sumatoria de d2 = 26
rs (calculado) = 0.69,
Rs (tabulado) = 0.714,
rsc < rst no se rechaza Ho
Conclusión: No hay una correlación
significativa en el desarrollo mental de 8
niños dependiendo de la educación formal
de la madre.
Distribuciones de Probabilidad
¿Qué es laProbabilidad?
-1 0 +1
Variable discreta:
Asigna probabilidades P(y) a valores individuales y, con
Esta función de distribución proporciona, para cada número real xi, la probabilidad
de que la variable X tome valores menores o iguales que xi.
Sea X una variable aleatoria discreta correspondiente a una distribución binomial.
Utilidad
Se utiliza en situaciones cuya solución tiene dos
posibles resultados.
Al nacer un/a bebé puede ser hombre o mujer.
En el deporte un equipo puede ganar o perder.
Un tratamiento médico puede ser efectivo o inefectivo.
Vivo / muerto; enfermo / sano; verdadero / falso
Prueba múltiple 4 alternativas: correcta o incorrecta.
Algo puede considerarse como Éxito o Fracaso
“Experimentos de Bernoulli”
Usos:
Estimación de proporciones
Pruebas de hipotesis de proporciones
Ejemplo
La probabilidad de éxito de una determinada vacuna es 0,72. Calcula la probabilidad
de que una vez administrada a 15 pacientes:
a) Ninguno sufra la enfermedad
b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad
Solución :
Se trata de una distribución binomial de parámetros B(15, 0'72)
Distribución de Poisson
Esta distribución aparece en algunos procesos que tienen una dimensión temporal o
espacial, y en fenomenos que tienen un alto número de experimentos (alto n) y una
baja probabilidad de que ocurran (baja p).
Ejemplos:
• número de llamadas telefónicas que recibe un servicio de atención a urgencias
durante un intervalo de tiempo determinado
•número de cultivos infectados por una plaga en una cierta región geográfica
La función de probabilidad de una variable aleatoria de Poisson con media l > 0, que
simplificamos con la notación P(l), es:
Bajo las condiciones del modelo de Poisson, se trata de una distribución P(43,2).
La probabilidad solicitada es
Existe una gran dispersión, y no sería extraño encontrar que en realidad hay muchas más personas o menos
que están enfermas. La probabilidad de que haya más de tres personas enfermas es:
Variables continuas
=NORMALIZACION(x;media;desv_estándar)
Z se la conoce como variable aleatoria estandarizada.
Esta función se caracteriza por tener media igual a cero y desviación
tipificada igual a uno : N(0,1)
Representa a todas las distribuciones Normales. Igual densidad de
probabilidad, si medimos desviaciones de media en base a s.
Valores obtenidos de tabla Normal válidos para todas las
distribuciones Normal de media = y varianza =2.
Ejemplo:
Cada estudio tiene un tamaño muestral idóneo, que permite comprobar lo que se
pretende con la seguridad y precisión fijadas por el investigador ¿De qué depende el
tamaño muestral?
Variabilidad del parámetro a estimar: Datos previos, estudios pilotos
Precisión: Amplitud del intervalo de confianza
Nivel de confianza (1- α): Habitualmente 95% o 99%.
Probabilidad complementaria al error admitido (α)
Cálculo del Tamaño de la Muestra
Tamaño de la muestra para la población infinita o desconocida:
n = 80.6 = 81
Ejemplo de Cálculo del Tamaño de
la Muestra
Tamaño de la muestra para la población finita y conocida:
n = 71.21 = 72
Cálculo del Tamaño de la Muestra
Tamaño de la muestra para población finita cuando los datos son cualitativos,
es decir para análisis de fenómenos sociales o cuando se utilizan escalas
nominales para verificar la ausencia o presencia del fenómeno a estudiar:
s 2 = p(1-p) σ2 = (se)2
Donde:
n: tamaño muestral
N: tamaño de la población
s 2 : varianza muestral
σ2 : varianza poblacional
se: error standard
p: % de confiabilidad
Ejemplo :
De una población de 1 176 adolescentes, de la ciudad de Pachuca de Soto, se pretende
conocer la aceptación de los programas de salud del centro hospitalario. Se desea tomar
una muestra para saber la cantidad de adolescentes a entrevistar y con ello tener una
información adecuada, con un error standard de 1.5% al 90% de confiabilidad.
Datos:
n = 1 176
se = 1.5 % = 0.015
p = 90 % = 0.9
s 2 = p(1-p) = 0.9 (1 – 0.9) = 0.09
σ2 = (se)2 = (0.015)2 = 0.000225
MUESTREO
Ejemplo:
Un tratamiento tradicional contra una enfermedad tiene una efectividad del 35%. Se
desarrolló un nuevo tratamiento que se asegura es más efectivo que el anterior (efectivo
en el 45% de los casos). Se afirma que el nuevo tratamiento es mejor que el tradicional.
Sea P: Proporción de personas que sanan de la enfermedad con el nuevo tratamiento.
H 0 : P >0.35
H1 : P <0.35
Las dos hipótesis
Hipótesis nula, H0
Hipótesis de no diferencia o no asociación, es planteada
en forma opuesta a la pregunta de investigación de
interés, definida para ser rechazada: “la tasa de
resistencia a ambos antimaláricos es similar”
Para tomar una decisión sobre rechazar o no rechazar la hipótesis nula hay
que especificar una Regla de decisión.
Hay que especificar un punto de corte ó punto crítico:
Si P es menor que Alfa (), se rechaza H o
Si P es mayor que Alfa (), se rechaza H o
Para cada prueba, el cálculo de “p”
puede diferir
Ejemplos :
Comunitario Nosocomial Total
Casos Defunciones Casos Defunciones Casos Defunciones
372 9 29 5 401 14