Vous êtes sur la page 1sur 33

Diseo de Experimentos

Bienvenido Sez Ulloa

Elementos de inferencia estadstica: experimentos


con uno y dos tratamientos

1
Elementos de inferencia
estadstica: experimentos
con uno y dos tratamientos
Poblacin y muestra, parmetros y estadsticos
Distribuciones de probabilidad e inferencia

2
Objetivos de aprendizaje

Identificar los elementos de la inferencia estadstica y su


importancia en los diseos experimentales.
Explicar el papel de las distribuciones de probabilidad en la
inferencia estadstica.

3
Poblacin y muestra, parmetros
y estadsticos

Una poblacin o universo es una coleccin o totalidad de posibles


individuos, especmenes, objetos o medidas de inters sobre los que se
hace un estudio. Las poblaciones pueden ser finitas o infinitas.

Si es finita y pequea se pueden medir todos los individuos para tener un


conocimiento exacto de las caractersticas (parmetros) de esa
poblacin.

Si la poblacin es infinita o grande es imposible e incosteable medir a


todos los individuos, en este caso se tendr que sacar una muestra
representativa de dicha poblacin, y con base en las caractersticas
medidas en la muestra (estadsticos) se podrn hacer afirmaciones acerca
de los parmetros de la poblacin.

Con frecuencia, las poblaciones de inters son los materiales, los productos
terminados, partes o componentes, o algunos de los procesos. En muchos casos
estas poblaciones se pueden suponer infinitas o grandes.
4
Poblacin y muestra, parmetros
y estadsticos

Relacin entre poblacin y muestra, parmetros y estadsticos

Por ejemplo, en empresas con produccin en masa no siempre es posible medir cada
pieza de material que llega o las propiedades de cada producto terminado.

En estos casos los procesos (poblaciones) se estudian mediante muestras de artculos


extradas en algn punto del proceso.

5
Poblacin y muestra, parmetros
y estadsticos

Un asunto importante ser lograr que las muestras sean


representativas, en el sentido de que tengan los aspectos clave que se
desean analizar en la poblacin.

Una forma de lograr esa representatividad es disear de manera


adecuada un muestreo aleatorio (azar), donde la seleccin no se haga
con algn sesgo en una direccin que favorezca la inclusin de ciertos
elementos en particular, sino que todos los elementos de la poblacin
tengan las mismas oportunidades de ser incluidos en la muestra.

Existen varios mtodos de muestreo aleatorio, por ejemplo: el simple, el


estratificado, el muestreo sistemtico y por conglomerados; cada uno de
ellos logra muestras representativas en funcin de los objetivos del
estudio y de ciertas circunstancias y caractersticas particulares de la
poblacin.

6
Poblacin y muestra, parmetros
y estadsticos
En el proceso de extraer una muestra de la poblacin, es decir en la tcnica de
muestreo se pueden cometer varios errores.

El error de cobertura, es decir que algunos individuos sean excludos del


marco muestral y no tengan la oportunidad de ser seleccionados.

El error de la no-respuesta, aquellos individuos que no responden pueden ser


muy distintos a los que s responden.

El error muestral, es la variabilidad que encontramos de muestra en muestra,


siempre estar presente.

El error de medicin se debe al diseo del cuestionario, a la respuesta del


encuestado o al efecto que pueda tener el encuestador sobre el encuestado.

La idea entonces es tratar de minimizar todos estos posibles errores,


eventualmente eliminarlos y que solo est presente el error muestral, es decir
el error por el hecho de que estamos haciendo una estimacin a partir de datos
de una muestra de la poblacin. 7
Poblacin y muestra, parmetros
y estadsticos

Inferencia estadstica

El objetivo de la inferencia estadstica es hacer afirmaciones vlidas


acerca de la poblacin o proceso con base en la informacin contenida
en una muestra. Estas afirmaciones tienen por objetivo coadyuvar en la
toma de decisiones.

La inferencia estadstica por lo general se divide en estimacin y prueba


de hiptesis, y se apoya en cantidades o datos estadsticos calculados a
partir de las observaciones en la muestra. Un estadstico se define como
cualquier funcin de los datos muestrales que no contiene parmetros
desconocidos.

Un ejemplo de estadstico es la media muestral X con la cual se tratan


de hacer afirmaciones sobre la media, m, que es un parmetro
poblacional.

8
Poblacin y muestra, parmetros
y estadsticos

Inferencia estadstica

Un aspecto clave en la interpretacin y utilizacin de cualquier estadstico


es que se trata de una variable aleatoria, ya que su valor depende de los
elementos que son seleccionados en la muestra y, por lo tanto, vara de
una muestra a otra.

La forma de tomar en cuenta este hecho es conocer la distribucin de


probabilidad de cada estadstico. Al conocer la distribucin de probabilidad
del estadstico se podrn hacer estimaciones acerca de cul es el valor del
parmetro poblacional, y tambin ser posible probar o verificar la validez
de hiptesis o conjeturas que se tengan sobre la poblacin o proceso.

Por ejemplo, un proveedor puede afirmar que el porcentaje de su producto


que no cumple con especificaciones es de 0.1%, por lo que interesara
investigar, con base en una muestra, si esta afirmacin se puede tomar
como verdadera.
9
Distribuciones de probabilidad
e inferencia

La distribucin de probabilidad o distribucin de una variable aleatoria


X relaciona el conjunto de valores posibles de X (rango de X), con la
probabilidad asociada a cada uno de estos valores y los representa a
travs de una tabla o por medio de una funcin planteada como una
frmula.

Por ejemplo, sea la variable aleatoria dada por el estadstico media


muestral, X, entonces al conocer su distribucin de probabilidad
podremos saber cules son los valores que puede tomar X y cules son
ms probables.

10
Distribuciones de probabilidad
e inferencia

Las distribuciones de probabilidad que ms se usan en intervalos de confianza y


pruebas de hiptesis son las distribuciones: Normal, T de Student, ji-cuadrada y
F.

11
Distribuciones de probabilidad
e inferencia

Las distribuciones normal y T de Student sirven para hacer inferencias


sobre las medias; mientras que la distribucin ji-cuadrada sera de
utilidad para hacer inferencias sobre varianzas y la distribucion F se
emplear para comparar varianzas.

Es por esto que la distribucion F es la de mayor relevancia en diseo


de experimentos, dado que el anlisis de la variabilidad que se observ
en un experimento se hace comparando varianzas.

12
Distribuciones de probabilidad
e inferencia

13
Utilidad

Caracteres sociolgicos, por ejemplo: consumo de cierto


producto por un mismo grupo de individuos, puntuaciones de
examen.

Caracteres psicolgicos, por ejemplo: cociente intelectual,


grado de adaptacin a un medio,...

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos muestrales como la media, varianza y


moda.

14
La funcin de distribucin

Puede tomar cualquier valor (- , + )


Hay ms probabilidad para los valores cercanos a la
media m
Conforme nos separamos de m , la probabilidad va
decreciendo de igual forma a derecha e izquierda (es
simtrica).
Conforme nos separamos de m , la probabilidad va
decreciendo dependiendo la desviacin tpica s.

15
La funcin F(x)

16
F(x) es el rea sombreada de la
siguiente grfica

17
La funcin F(z)

En la siguiente grfica vemos la representacin


grfica de la funcin de Z.

18
Pasos para determinar el rea bajo
la curva normal estndar

Paso 1 - Interpretar grficamente el rea de inters.

Paso 2 - Determinar el valor Z

Paso 3 - Buscar en la tabla de probabilidades.

Paso 4 - Hacer la suma o resta de reas para encontrar la


probabilidad deseada

19
Ejemplos y ejercicios

Supongamos que sabemos que el peso de los/as


estudiantes universitarios/as sigue una distribucin
aproximadamente normal, con una media de 140
libras y una desviacin estndar de 20 libras.

20
Ejemplo 1

Determine la probabilidad de que una persona tenga


un peso menor o igual a 150 libras

Paso 1 Interpretar grficamente el rea de inters.


Grficamente si decimos que a=150 libras, el rea de
la curva que nos interesa es la siguiente:

21
Ejemplo 1

Determine la probabilidad de que una persona tenga


un peso menor o igual a 150 libras

X m 150 140
Paso 2 - Determinar el valor Z: Z 0.50
s 20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla el valor Z=0.50 y obtenemos el rea de
0.6915

Paso 4 - Hacer la suma o resta de reas para encontrar la


probabilidad deseada.
En este ejemplo no es necesario realizar ningn computo adicional
ya que el rea es la misma que se representa en la Tabla.
22
Ejemplo 2
Si deseamos la probabilidad de que una persona, elegida al azar,
tenga un peso mayor o igual a 150 libras

Paso 1 Interpretar grficamente el rea de inters.

Grficamente si decimos que a=150 libras, el rea de la curva que


nos interesa es la siguiente:

23
Ejemplo 2
Si deseamos la probabilidad de que una persona, elegida al azar,
tenga un peso mayor o igual a 150 libras

X m 150 140
Paso 2 - Determinar el valor Z: Z 0.50
s 20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla el valor Z=0.50 y obtenemos el rea de 0.6915.

Paso 4 - Hacer la suma o resta de reas para encontrar la probabilidad


deseada.
En este ejemplo el rea de 0.6915 no representa el rea que nos interesa
sino la contraria. En este caso debemos restarle 1 a la probabilidad
encontrada.
24
1 - .6915 = 0.3085
Ejemplo 3
Determine la probabilidad de que una persona, elegida al azar,
tenga un peso menor o igual a 115 libras

Paso 1 Interpretar grficamente el rea de inters.

Grficamente si decimos que a=115 libras, el rea de la curva que nos interesa es la
siguiente:

25
Ejemplo 3
Determine la probabilidad de que una persona, elegida al azar,
tenga un peso menor o igual a 115 libras

X m 115 140
Paso 2 - Determinar el valor Z: Z 1.25
s 20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla el valor Z=-1.25 y obtenemos el rea de 0.8944.

Paso 4 - Hacer la suma o resta de reas para encontrar la probabilidad


deseada.
En este ejemplo el rea de 0.8944 no representa el rea que nos interesa
sino la contraria. En este caso debemos restarle 1 a la probabilidad
encontrada.
26
1 - .8944 = 0.1056
Ejemplo 4
Si deseamos la probabilidad de que una persona, elegida al azar, tenga
un peso entre 115 y 150 libras.

Paso 1 Interpretar grficamente el rea de inters.

Grficamente si decimos que a=115 libras y b=150 libras, el rea de la curva que nos
interesa es la siguiente

27
Ejemplo 4
Si deseamos la probabilidad de que una persona, elegida al azar, tenga
un peso entre 115 y 150 libras.

Paso 2 - Determinar el valor Z


X m 115 140
Cuando X=115 Z 1.25
s 20

Cuando X=150 X m 150 140


Z 0.50
s 20
Paso 3 - Buscar en la tabla de probabilidades.

Buscamos en la Tabla 1 el valor Z=-1.25 y obtenemos el rea de 0.8944.

Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el rea de 0.6915

28
Ejemplo 4
Si deseamos la probabilidad de que una persona, elegida al azar, tenga
un peso entre 115 y 150 libras.

Paso 4 - Hacer la suma o resta de reas para encontrar la


probabilidad deseada.

El rea de 0.6915 se le resta la diferencia de 1-.8944.

0.6915 (1-.8944) = .5859

29
Ejemplo 5
Determine la probabilidad de que una persona tenga un peso
menor de 160 libras o mayor a 150 libras

Paso 1 Interpretar grficamente el rea de inters.

Grficamente si decimos que a=150 libras y b= 160 libras, el rea


de la curva que nos interesa es la siguiente:

30
Ejemplo 5
Determine la probabilidad de que una persona tenga un peso
menor de 160 libras o mayor a 150 libras

Paso 2 - Determinar el valor Z

Como vimos en el ejemplo 1 y 2 E valor Z cuando X=150 es 0.50.


Para X=160 el valor Z ser:

X m 160 140
Z 1.0
s 20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla el valor Z=0.50 y obtenemos el rea de 0.6915.
Cuando Z = 1.0 el rea es de 0.8413.

31
Ejemplo 5
Determine la probabilidad de que una persona tenga un peso
menor de 160 libras o mayor a 150 libras

Paso 4 - Hacer la suma o resta de reas para encontrar la


probabilidad deseada.

En este ejemplo se resta el rea mayor menos el rea menor


como se interpreto en el paso 1.

0.8413 - .6915 = 0.1498

32
www.uip.edu.pa
33