Modulo de metodologia y estadistica agronomia mar2012
-
Upload
escuela-militar-de-ingenieria-emi -
Category
Education
-
view
2.753 -
download
6
Transcript of Modulo de metodologia y estadistica agronomia mar2012
METODOLOGIA DE LA INVESTIGACIÓN Y ESTADISTICA 13 de Marzo al 03 de Abril del 2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Mgs. En Educación Superior [email protected]
fmartinezsolaris skype
UNIVERSIDAD AUTONOMA “GABRIEL RENE MORENO”
METODOLOGIA DE LA INVESTIGACION
Programa General a Desarrollar
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Conocimiento:
•Es enfrentar la realidad. •Todo conocimiento es forzosamente una relación en la cual aparecen dos elementos: Sujeto (parte cognoscente) y Objeto
Sujeto Relación
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
Objeto Aprehender
Dejarse Aprehender
Tipos de Conocimiento
Vulgar
Científico Funciones del Conocimiento Científico
Observar Descubrir
Explicar
Predecir
REALIDAD
MODIFICA
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012 Por: Ing. M.Sc. Francisco Martínez Solaris
16/03/2012 Por: Ing. M.Sc. Francisco Martínez Solaris
Por: Ing. M.Sc. Francisco Martínez Solaris
*Ciencia;(James Conatt) dos puntos generalizados sobre Ciencia
*Punto de Vista Estático
*Cuerpo sistematizado de información que incluye principios, teorías y normas.
*Enfatiza los resultados acumulativos de la investigación. Define la totalidad de nuestro conocimiento.
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
*Punto de Vista Dinámico
*Considera a la Ciencia como un proceso, quienes están de acuerdo con este punto de vista, dicen que las teorías y procedimientos pronto se convertirán en dogmas sino se someten a investigación y desarrollo continuo.
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
• Cuerpo .....
• De conocimientos ....
• Organizados ...
• Objetivos ...
• Ampliados ...
• De lo real ...
• En el que se indica...
• Las pautas generales ...
• De los fenómenos naturales y
sociales
...Unidad coherente interrelacionada
... Racionales (conceptos, juicios)
... Sistematizados
... Contrastables con lo real
... Se renuevan continuamente
... De la naturaleza y hechos sociales
... Precisan
....Leyes
.... De lo real
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
*Tipos de Ciencias
*Ciencias Formales
*Ciencias Factuales o Fácticas
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Diferencias entre Ciencias Formales y Ciencias Factuales o Fácticas
Ciencia formal
*Objeto de estudio: Ideas
*Representación: Símbolos, signos
*Método de análisis: Inducción, deducción, lógica
*Comprobación: Razonamiento
Ciencia factual
*Objeto de estudio: Hechos
*Representación: Palabras
*Método del análisis: Método científico
*Comprobación: En la práctica
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Ciencias Formales/Ciencias Factuales o Fácticas
Ciencia formal
*Lógica
*Matemática
Ciencia factual • Ciencias Naturales
• Física
• Química
• Medicina
• Ciencias Culturales
• Psicología, Sociología
• Ciencias Políticas, Economía
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Características de la Investigación Científica
*Empírica
*Sistemática y controlada
*Crítica
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
INVESTIGACIÓN CIENTIFICA… ¿Qué es?
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Investigación Científica
Realidad Investigación Científica
Ciencia
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Tipos de Investigación Científica
Pura
Aplicada
Innovación Tecnológica
Tipos
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Método Científico *Etimológicamente “Método” proviene de raíces griegas “metá” (hacia, a lo largo) y “odos” (camino), entonces: *Método: camino hacia algo, persecución, o sea, esfuerzo para alcanza un fin
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Método Científico
*Método es el camino a seguir mediante una serie de operaciones, reglas y procedimientos fijados de antemano de manera voluntaria y reflexiva, para alcanzar un determinado fin que puede ser material o conceptual.
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Método Científico
*Se entiende por Método a un orden epistemológico, a partir de la lógica del pensamiento científico que surge de la teoría, teoría y método van siempre junto, mientras que la metodología es la parte instrumental de la investigación que nos lleva al objeto.
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Método Científico. Características:
*Fáctico
*Trasciende los hechos: Si bien es cierto que parte de los hechos particulares, no se detiene en ellos. Se trata de conocer, comprender y explicar los hechos, no de describirlos (problematiza).
*Se atiene a reglas metodológicas
*Se vale de la verificación empírica
*Es autocorrectivo y progresivo *Es objetivo
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Método Científico
Aporte
Observación Hipótesis
Toma de Información
Análisis de Información Conclusiones
Replanteo de Hipótesis
Revisión
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Método Científico. Definición: *Es un procedimiento para descubrir las condiciones en
que se presentan los sucesos específicos, caracterizados generalmente por ser tentativo, variable, de razonamiento riguroso y observación empírica. *No es otra cosa que aplicar la lógica a las realidades o
hechos observados.
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Método Científico. Definición:
*Es el procedimiento a través del cual se estructura el conocimiento en las Ciencias Fácticas.
CIENCIA. LA INVESTIGACION CIENTÍFICA. METODO CIENTÍFICO
16/03/2012
ANTECEDENTES
PLANTEAMIENTO DEL PROBLEMA
IDENTIFICACION
PREGUNTAS
JUSTIFICACION
VIABILIDAD
MARCO TEORICO
FORMULACION DE HIPOTESIS
IDEA DE INVESTIGACION
DISEÑO DE LA INVESTIGACION
RESULTADOS
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO
INTRODUCCION
FORMULACION
OBJETIVOS
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
ANTECEDENTES
PLANTEAMIENTO DEL PROBLEMA OBJETIVOS
PREGUNTAS
JUSTIFICACION
VIABILIDAD
MARCO TEORICO
FORMULACION DE HIPOTESIS
TITULO DE LA INVESTIGACION
DISEÑO DE LA INVESTIGACION
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO
INTRODUCCION IDENTIFICACION
FORMULACION
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO
Idea de Investigación
Comité Científico
Sí No
Perfil
Comité Científico
Sí No
Proyecto de investigación
Ejecución (Fase de Campo)
Análisis de Información (Fase de Gabinete)/Redacción
Primer Borrador
Comité Científico
Sí No
Documento Aprobado
Exposición y Defensa
Sí No
Trámites de Legales
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
*Concebir la idea de investigación *Las investigaciones se originan en ideas. Para iniciar una
investigación siempre se necesita una idea; todavía no se conoce un sustituto de una buena idea.
*La ideas constituyen el primer paso de acercamiento a la realidad que habrá de investigarse
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/La Idea de Investigación
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Condiciones de Observación
Atención
La Sensación
La Percepción
La Reflexión
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/La Idea de Investigación
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
*Fuentes de Ideas de Investigación *Hay una gran cantidad de fuentes que pueden generar ideas
para una investigación entre las que se pueden mencionar:
*Experiencias individuales, materiales escritos (libros, revistas, periódicos, tesis, etc.).
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/La Idea de Investigación
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
*Fuentes de Ideas de Investigación *Conferencias, conversaciones personales, observaciones,
creencias e incluso presentimientos, sin que la fuente determine la calidad de la idea.
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/La Idea de Investigación
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Introducción
• Se presentan los aspectos generales del tema, su relevancia, actualidad e impacto en el conocimiento (Aporte Teórico/Práctico).
• “Se sugiere que finalice con el propósito del estudio”.
• Manejar el Concepto de Encuadre o estrechez
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Antecedentes
• Mostrar la información de los hechos relacionados documentados por lo que es preciso referir las fuentes de donde se obtiene esta información.
• “Se sugiere finalizar con el problema de investigación propiamente dicho”.
• Manejar el Concepto de Encuadre o estrechez.
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO
• Este es el punto lógico de partida de una investigación. Algunos autores plantean que es la primera etapa del método científico era la admisión de una incongruencia que desconcierta a los investigadores.
• La selección y formulación de un problema constituye uno de los aspectos más importantes de una investigación para cualquier tipo de investigación, sin importar la disciplina de que se trate.
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO
• Un problema de investigación es una dificultad que no puede resolverse automáticamente (realidad atípica que necesita ser explicada). El problema es inherente a la naturaleza humana, el hombre es el único ser (animal) problematizado.
• No se plantea un problema cuando no se sabe nada, por el contrario, cuando más se sabe, más problemas surgen.
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO
• La selección del tema no posibilita al investigador poder comenzar inmediatamente la investigación.
• Antes se necesita formular un problema específico y susceptible de ser investigado por procedimientos científicos (Raminger, L).
16/03/2012
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Componentes del Problema
PLANTEAMIENTO DEL PROBLEMA
IDENTIFICACION
PREGUNTAS
JUSTIFICACION
VIABILIDAD
FORMULACION
OBJETIVOS
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Identificación del Problema
•Significa ubicar dentro de un contexto un problema de Investigación. La realidad atípica que necesita ser explicada.
•Implica especificar lo que se ha de investigar y restringir el campo de estudio, es decir, delimitar el problema de investigación.
•Un problema supone una discrepancia entre: Un modelo real Un modelo ideal o normativo
•Pueden ser extraído de los antecedentes
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Formulación del Problema
Puede hacerse de dos maneras: • Como una gran pregunta de investigación que no tiene respuesta de inmediato, ésta se da en el transcurso de la investigación. Debe ser formulado claramente y sin ambigüedades como preguntas tales como: ¿qué efecto?, en qué condiciones..,?, ¿cómo se relaciona?, etc. Estas preguntas no tienen respuesta.
•Como el estado ideal si estuviese resuelto el problema.
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Objetivos
• ¿Para qué se hace la investigación? • ¿Qué busca al realizarla?. • Los objetivos representan lo que se pretende con el
estudio • Responden a la pregunta ¿para qué? • Los objetivos deben de expresarse con claridad
para evitar posibles desviaciones en el proceso de investigación y deben ser susceptibles de alcanzarse (Objetividad ante la Dificultad)
16/03/2012
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Objetivos
• Presentación de los objetivos mediante el infinitivo del verbo que señale la acción que ejecuta el investigador como: Identificar, planear, encontrar, analizar, comprobar, demostrar, conocer, describir, señalar, someter, redactar, contestar, etc.
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Tipos de Objetivos
Objetivos
Objetivo General Objetivo Específico
Lo que pretende en la investigación; las “metas” que se persiguen en la investigación a realizar
No son tangibles Debe estar contenido en el título de la investigación
Son desagregaciones del objetivo general
Redacción del verbo que denota la acción del objetivo en infinitivo
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Preguntas de Investigación
• Las preguntas de investigación son declaraciones depuradas de los objetivos concretos (específicos) de la investigación y detalle de las informaciones que se deben captar con la realización de la misma.
Objetivos Específicos Acciones
Objetivo 1 Acción 1, 2, …,i
Objetivo 2 Acción 1, 2, …,i
Objetivo 3 Acción 1, 2, …,i
Objetivo i Acción 1, 2, …,i Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
16/03/2012
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Justificación
• Responde a la pregunta ¿por qué?. • La mayoría de las investigaciones se efectúan con un propósito definido, ese propósito debe ser lo suficientemente fuerte para que se justifique la realización (por qué).
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO Justificación/Criterios
• Conveniencia: ¿Qué tan conveniente es la investigación?, esto es ¿para qué sirve?
• Relevancia social: ¿Cuál es su relevancia para la sociedad?, ¿quiénes se beneficiarán con los resultados de la investigación?, ¿de qué modo? En resumen, ¿qué proyección social tiene?
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Justificación/Criterios
• Implicaciones prácticas: ¿Ayudará a resolver algún problema práctico?, ¿tiene implicaciones trascendentales para una amplia gama de problemas prácticos?
• Valor teórico: Con la investigación, ¿se logrará llenar el vacío de conocimiento?, ¿se podrán generalizar los resultados a principios más amplios?.
• Utilidad metodológica: La investigación, ¿puede ayudar a crear un nuevo instrumento para recolectar y/ o analizar datos? Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Justificación/Tipos
Tipos de Justificación:
• Teórica • Práctica • Metodológica
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
El PLANTEAMIENTO DEL PROBLEMA CIENTIFICO/Viabilidad
¿Existe la disponibilidad de recursos humanos y materiales que determinarán en última instancia los alcances de la investigación.?
¿El tiempo que se tiene es el suficiente para la investigación?
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
TEMA PROPUESTO
¿Hay profesionales con experiencia en el tema y con disponibilidad?
Buscar otro Asesor
¿Existe información sobre el tema a desarrollar?
Replantear la búsqueda de información
¿Existe disponibilidad de equipos y herramientas de trabajo que se requerirán?
Replantear la metodología de trabajo
¿Existe disponibilidad financiamiento para el trabajo?
Replantear costos del proyecto
¿Es factible el tema a ser investigado?
Estructurar el Perfil de acuerdo a norma
Sí
No
Sí
Sí
Sí
Sí
Sí
Asesor Calificado Información disponible Equipos disponibles Financiamiento
No
No
No
No
Otr
o T
em
a
Por: Ing. M.Sc. Francisco Martínez Solaris
16/03/2012
DISEÑO DEL MARCO TEÓRICO
¿Por qué hacer un Marco Teórico?
Todo investigador debe tomar en cuenta lo que ya se conoce de su objeto de investigación.
Esto hace necesario la elaboración de un marco de referencia que es de tipo tanto teórico como conceptual
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
DISEÑO DEL MARCO TEÓRICO
La elaboración del Marco Teórico implica analizar y exponer las teorías, los enfoques teóricos, las investigaciones y los antecedentes que se consideren válidos para el correcto encuadre del estudio
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Funciones del Marco Teórico
*Indica qué datos deben recolectarse y cuáles son las técnicas de recolección adecuadas (Indica variables).
*Orienta al investigador en la descripción y análisis de la realidad observada.
*Homogeniza el lenguaje técnico empleado, unificando criterios y conceptos básicos de quienes investigan y de quienes la consultan
DISEÑO DEL MARCO TEÓRICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Funciones del Marco Teórico
*Ayuda a prevenir los errores que se han cometido en otros estudios.
*Amplía el horizonte del estudio y guía al investigador para que se centre en su problema evitando desviaciones del planteamiento original
DISEÑO DEL MARCO TEÓRICO
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Funciones del Marco Teórico
*Conduce al establecimiento de hipótesis o afirmaciones que más tarde habrán de someterse a prueba en la realidad
*Provee de un marco de referencia para interpretar los resultados del estudio (El investigador debe explicar la naturaleza de los resultados de su investigación)
DISEÑO DEL MARCO TEÓRICO
16/03/2012
DISEÑO DEL MARCO TEÓRICO
Revisión de Literatura
Etapa para la Construcción del Marco Teórico
Adopción Teórica. Perspectiva Teórica
Detección de la Literatura
Selección de la Literatura
Consultar la bibliografía Pertinente Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
DISEÑO DEL MARCO TEÓRICO
Partiendo del hecho que es ilógico hacer un planteamiento científico a espalda del conocimiento existente
Observación Hipótesis
Revisión Pertinente
Marco Teórico
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
¿Cómo darle Pertinencia al Marco Teórico?
Se debe tener en cuenta dos aspectos que facilitan este proceso de elaboración: *Construir un índice (ayuda de guía para la redacción): *Aplicar el Concepto de Encuadre (contexto general, intermedio y específico)
DISEÑO DEL MARCO TEÓRICO
16/03/2012
DISEÑO DEL MARCO TEÓRICO
Objetivos Específicos
Acciones ¿Quién dice cómo se hace la acción?
Índice del M.T
Objetivo 1 Acción 1, 2, i Ciencia 1, Ciencia 2, Ciencia i Tema 1, 2, i
Objetivo 2 Acción 1, 2, i Ciencia 1, Ciencia 2, Ciencia i Tema 1, 2, i
Objetivo 3 Acción 1, 2, i Ciencia 1, Ciencia 2, Ciencia i Tema 1, 2, i
Objetivo i Acción 1, 2, i Ciencia 1, Ciencia 2, Ciencia i Tema 1, 2, i
Construcción del Índice
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
DISEÑO DEL MARCO TEÓRICO
OBJETIVOS GENERALES
OBJETIVOS ESPECIFICOS
ACCIONES
MATERIAS, DOCUMENTOS, INVESTIGACIONES
MARCO TEORICO
PERTINENCIA
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
DISEÑO DEL MARCO TEÓRICO
Realizar un estudio de mercado para identificar las características del mercado hotelero de …
1. Estimar la demanda a partir del flujo de turistas que llegan de …
2. Calcular la oferta del sector hotelero de …
3. Estimar los precios establecidos en el mercado hotelero de ..
Mercadotecnia
Diseño y Preparación de Proyectos
Estadística y Probabilidad
1. Estudio de Mercado
2. Demanda
3. Tipos de Demandas
4. Estimación de la Demanda en proyectos de servicios
5. Oferta. Tipos de Oferta.
6. Determinación de la Oferta
7. La Oferta en proyectos de servicios
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
DISEÑO DEL MARCO TEÓRICO
TITULO
OBJETIVOS ESPECIFICOS
ACCIONES
CIENCIA QUE CORRESPONDE
INDICE
OBJETIVOS GENERALES
MARCO TEORICO
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
FORMULACION DE HIPOTESIS Y LAS VARIABLES
Existe un momento en el proceso de Investigación que el investigador debe proponer una explicación tentativa al problema de investigación. Es decir, realizar ciertas conjeturas sobre el problema de investigación.
Por: Ing. M.Sc. Francisco Martínez Solaris
A estas conjeturas se le llama Hipótesis.
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Método Científico
Aporte
Observación Hipótesis
Toma de Información
Análisis de Información Conclusiones
Replanteo de Hipótesis
Revisión
FORMULACION DE HIPOTESIS Y LAS VARIABLES
16/03/2012
FORMULACION DE HIPOTESIS Y LAS VARIABLES
Las hipótesis se plantean con el propósito de explicar hechos o fenómenos que caracterizan el objeto de investigación.
Para su formulación se requiere un pleno conocimiento del problema y un buen manejo del marco teórico.
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
FORMULACION DE HIPOTESIS Y LAS VARIABLES
¿Qué es una Hipótesis?
Enunciado de una relación causa-efecto bajo una forma que permite la verificación empírica.
Por: Ing. M.Sc. Francisco Martínez Solaris
Son proposiciones en las que se plantean explicaciones o soluciones tentativas a un problema u objeto de investigación.
16/03/2012
FORMULACION DE HIPOTESIS Y LAS VARIABLES
Características de una Hipótesis
La hipótesis debe referirse a una situación real.
Por: Ing. M.Sc. Francisco Martínez Solaris
La relación entre variables propuesta por una hipótesis debe ser claras y verosímil, además deben ser comprensibles, precisos y lo más concreto posible.
16/03/2012
FORMULACION DE HIPOTESIS Y LAS VARIABLES
Características de una Hipótesis
Los términos de la hipótesis y la relación planteada entre ellos, deben ser observables y medibles, es decir, tener un referente en la realidad.
Las hipótesis deben estar relacionadas con técnicas disponibles para probarlas.
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
FORMULACION DE HIPOTESIS Y LAS VARIABLES
Funciones de una Hipótesis
• Tienen una función descriptiva y explicativa según sea el caso.
• Probar teorías.
• Sugerir Teorías.
• Son las guías en el proceso de investigación.
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
FORMULACION DE HIPOTESIS Y LAS VARIABLES
TIPO DE HIPOTESIS
Hipótesis de Investigación
Hipótesis Nula
Hipótesis Alternativa
Hipótesis Estadística
Es la principal respuesta o explicación que propone el investigador al problema de investigación
Contradice a la Hipótesis de Investigación
Otra explicación o respuesta al problema de identificación
Traducción de las hipótesis anteriores en símbolos estadísticos
Descriptivas, Correlacionales, Diferencia entre grupos y Relaciones de causalidad
Estimación, Correlación Diferencias de medias, etc
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
FORMULACION DE HIPOTESIS Y LAS VARIABLES
Operacionalización de Variables
• Variable: Es una característica que tiende a cambiar de una unidad de análisis a otra.
• Tipos de Variables:
• Independiente.
• (Variables Explicativas)
• Dependientes.
• (Variables a explicar)
Estas relaciones tienen que estar definidas en la hipótesis
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
FORMULACION DE HIPOTESIS Y LAS VARIABLES
Operacionalización de Variables
Definirla Conceptualmente
Definirla Operacionalmente
Son en el fondo las definiciones de “libros”
Simplemente son las actividades u operaciones que deben realizarse para medir la variable
Cómo la puede percibir
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Variable
Operacionalización
Indicadores Definición Conceptual
Definición Operacional
Independiente
Dependiente
FORMULACION DE HIPOTESIS Y LAS VARIABLES
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Diseño de Investigación
Después de la formulación de hipótesis y de la sistematización de variables, el investigador debe concebir la manera práctica y concreta de responder a las preguntas de investigación.
Esto indica seleccionar y desarrollar un diseño de investigación y aplicarlo al contexto propio de su estudio.
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Diseño de Investigación
El diseño de investigación seleccionado debe ser capaz de proporcionar la información de las variables que se han identificado en la hipótesis.
Por tal razón, debe ser pertinente a las necesidades del estudio.
16/03/2012
DISEÑO DE LA INVESTIGACIÓN
Tipología de Dankhe (1986)
Correlacional X ---- Y Determinan correlación entre variables (predicciones más firmes)
Explicativa X ----- Y
Sugieren vínculos causas entre las variables. O sea, buscan explicar por qué están correlacionadas (explican una variable a partir de otra/s)
Tipo de investigación
Esquema Propósitos
Exploratoria
X ---- Y Identifican variables promisorias
X ---- Y Sugieren relaciones potenciales entre variables
Descriptiva
X---- Y Describen -miden- las variables identificadas
X ---- Y
Pueden sugerir relaciones potenciales entre variables (predicciones rudimentarias)
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
DISEÑO DE LA INVESTIGACIÓN
Méndez et al. (1984)
De acuerdo al periodo de toma de información
Evolución del Fenómeno
Número de Poblaciones Comparadas
De acuerdo a la Intervención del Investigador
Retrospectivos
Retrospectivos Parciales
Prospectivos
Longitudinales
Transversales
Descriptivos
Comparativos
Observacionales
Experimentales
Cuasi-Experimentales
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Diseño de Investigación
El diseño de investigación seleccionado depende de: Los objetivos de investigación trazados.
Las hipótesis formuladas.
Diseños Experimentales.
Tipos de Diseño de Investigación
Diseños No Experimentales
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris
Diseño de Investigación
Diseño de Investigación
No Experimental
Experimental
Censo
Muestreo
No Probabilístico
Probabilístico
Cuasi experimental
Experimento Puro
16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Población N Parámetros µ, σ2, p, etc
Muestra n=? Estadísticos Estadígrafos
Deducción
TECNICAS DE MUESTREO
INFERENCIA
ESTIMACION
Por: Ing. M.Sc. Francisco Martínez Solaris
16/03/2012
MUESTRA Tipos
Probabilística
No Probabilística
Azar
Arbitraria
MUESTREO
Probabilístico
No Probabilístico
MAS, MAP y MAE
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
*Muestreo Aleatorio Proporcional (MAP). Muestreo cualitativo
*Tamaño de muestra para población infinita y “p” y “q” conocido:
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
*Muestreo Aleatorio Proporcional (MAP). Muestreo cualitativo
*Tamaño de muestra para población infinita y “p” y “q” desconocido:
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
*Muestreo Aleatorio Proporcional (MAP). Muestreo cualitativo
*Tamaño de muestra para población infinita y criterio de varianza máxima:
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
*Muestreo Aleatorio Proporcional (MAP). Muestreo cualitativo
*Tamaño de muestra con población finita y “p” y “q” conocido.
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
*Muestreo Aleatorio Proporcional (MAP). Muestreo cualitativo
*Tamaño de muestra con población finita y “p” y “q” conocido.
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
*Muestreo Aleatorio Proporcional (MAP). Muestreo cualitativo
*Tamaño de muestra con población finita y criterio de varianza máxima.
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Tamaño de Muestra
Muestra por Estrato
Muestra General
Definir Muestra por Estrato (MASE, MAPE)
Muestra Estratificada nk = n1 + n2 + …nk
Asignación De Muestra
Asignación Proporcional
Criterio de Neyman
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Estratos Nk fr fr*n
K1 Nk1 Nk1/N (Nk1/N)*n
K2 Nk2 Nk2/N (Nk2/N)*n
K3 Nk3 Nk3/N (Nk3/N)*n
. . . .
. . . .
. . . .
Ki Nki Nki/N (Nki/N)*n
Total N 1 nk
Por: Ing. M.Sc. Francisco Martínez Solaris 16/03/2012
Estratos Nk Wk Sk2 Sk WkSk2 WkSk
K1 Nk1 Nk1/N S21 S1 W1S21 W1S1
K2 Nk2 Nk2/N S22 S2 W2S22 W2S2
K3 Nk3 Nk3/N S23 S3 W3S23 W3S3
. . . . .
. . . . .
. . . . .
Ki Nki Nki/N S2k Sk WkS2 WkSk
Total N 1 ΣWkS2k ΣWkSk
Por: Ing. M.Sc. Francisco Martínez Solaris
16/03/2012 𝑛𝑒 =
𝑁 ∗ 𝑍𝛼2
2 ∗ ( 𝑊𝑖𝑆𝑖)2
𝑁𝐸2 + 𝑍𝛼2
2 ∗ ( 𝑊𝑖𝑆𝑖2) 𝑛𝑘 =
𝑊𝑘𝑆𝑘
𝑊𝑘𝑆𝑘∗ 𝑛𝑒
ESTADÍSTICA
DESCRIPTIVA
PROPOSITO
METODOS
INFERENCIAL
PROPOSITO
METODO
• TABULARES • GRAFICOS • NUMERICOS
PROBABILISTICO
¿Qué es?...
ESTADISTICA
Nociones Generales
Características
Ciencia encargada de la Recolección, Manipulación, Organización y Presentación de información de manera tal que ésta tenga una Confiabilidad determinada
ESTADISTICA Nociones Generales
Población N Parámetros µ, σ2, p, etc
Muestra n=? Estadísticos Estadígrafos
Deducción
TECNICAS DE MUESTREO
INFERENCIA
ESTIMACION
ESTADISTICA Nociones Generales
Nociones Generales
MUESTRA Tipos
Probabilística
No Probabilística
Azar
Arbitraria
MUESTREO
Probabilístico
No Probabilístico
MAS, MAP y MAE
POBLACION
ESTADISTICA Nociones Generales
MUESTRA
Atributo
Variable
Cambiar
• Nombre
• Definición
• Rango de Valores
• Clasificación
Elementos
Tipos
Cualitativas
Cuantitativas
Categorías
Discretas
Continuas
ESTADISTICA Nociones Generales
Variable
• Nombre
• Definición
• Rango de Valores
• Clasificación
Elementos
Medirse
Escalas de Medición
Nominal
De Razón
+
Ordinal
De Intervalo
ESTADISTICA Métodos Tabulares
DESCRIPTIVA
METODOS
TABULARES
Sea X y Y dos variables y sea x1, x2, … xn y y1, y2, … yn, valores que toman las variables X y Y, y sean “a” y “b” dos constantes. Entonces:
Sumatoria
Propiedades
x1 + x2 + x3 + …xn y1 + y2 + y3 + …yn
n
iyi
1
n
ixi
1
ESTADISTICA Propiedades de Sumatoria
ESTADISTICA Métodos Tabulares/Ordenamiento
17
18
18
16
21
15
17
19
20
18
16
18
Edad (años)
Ordenándolo
15
16
16
17
17
18
18
18
18
19
20
21
Edad (años)
Valores extremos
Valores mas frecuente
Valores extremos
Desventaja
ESTADISTICA Cuadro de Frecuencia
Edad (años)
fi fr Fia Fra
15 1 8.3 1 8.3
16 2 16.7 3 25.0
17 2 16.7 5 41.7
18 4 33.3 9 75.0
19 1 8.3 10 83.3
20 1 8.3 11 91.7
21 1 8.3 12 100
Total 12 100
Cuadros de Frecuencia
ESTADISTICA Cuadro de Frecuencia
Lugar de realización del Diplomado
n %
Extranjero 19 13.87
Universidad Objeto de Estudio 87 63.50
Otras universidades bolivianas 31 22.63
Total 137 100
ESTADISTICA Cuadro de Frecuencia
67.7 39.2 52.5 42.3 69.8 61.2
63.9 37.2 45.7 41.7 69.1 55.5
64.9 38.9 52.4 41.9 69.2 58.9
68.3 39.2 52.6 42.7 70.0 61.9
68.3 39.2 53.3 45.5 70.1 63.2
Cuadro de Frecuencia
La Estadística ofrece otra alternativa Tablas de Frecuencias Absolutas y Relativas
ESTADISTICA Tabla de Frecuencia
Procedimiento
Definir el Número de Intervalos
K = 1 + 3.33* log n
≥ 5 ó ≤ 20 ó 25
Sturges
Tipo de Intervalos (Li - LS]
Ac = A/k A = Valor Máx.- Valor Mín.
Ac = Ajustada
MD = (RI – A)/2
RI = Ac*K > A
ESTADISTICA Tabla de Frecuencia
Intervalos de Clases PMC fi fr Fia Fra
37.1 a 42.6 39.85 8 0.27 8 0.27
42.6 a 48.1 45.35 3 0.10 11 0.37
48.1 a 53.6 50.85 4 0.13 15 0.50
53.6 a 59.1 56.35 2 0.07 17 0.57
59.1 a 64.6 61.85 4 0.13 21 0.70
64.6 a 70.1 67.35 9 0.30 30 1
30 1
ESTADISTICA Métodos Gráficos
Métodos Gráficos Clásicos
Diagrama de Puntos
Histograma
Polígono de Frecuencias
Ojiva
Diagrama de Sectores
ESTADISTICA Diagrama de Puntos
15 16 17 18 19 20 21
Edad (años)
ESTADISTICA Histograma
ESTADISTICA Polígono de Frecuencias
ESTADISTICA Ojiva
ESTADISTICA Diagrama de Sectores
137-------360
19 ------- x
(19*360)
X= = 49.9
137
Lugar de realización de estudios Postgraduales
n Grados
Extranjero 19 49.927
Universidad de Interés 87 228.613
Otras universidades bolivianas 31 81.460
Total 137 360
ESTADISTICA Diagrama de Sectores
ESTADISTICA Métodos Numéricos (Medidas de Tendencia Central)
Cuando se desea comparar dos o más poblaciones o bien muestras, y si las variables de interés son de carácter numérico …
Los métodos tabulares no son los más recomendables
La Estadística oferta otra herramienta
llamada Métodos Numéricos
ESTADISTICA Medidas de Tendencia Central
Métodos Numéricos
Medidas de Tendencia Central
Medidas de Dispersión
Localizan el centro de una base de datos numéricas
Cuantifican cuánto se dispersan los datos de una medida de tendencia central
ESTADISTICA Medidas de Tendencia Central
Medidas de Tendencia Central
Promedio
Moda
Media Ponderada
Mediana
ESTADISTICA Medidas de Tendencia Central/Promedio
Promedio
Población
Muestra
Media µ Poblacional
Es la sumatoria de las observaciones que toma una variable dividido entre el total de éstas
Se interpreta como el punto de equilibrio de una base de datos numéricas
Media Muestral x
Tiempo (minutos)
52.6
38.9
68.3
67.2
63.9
64.9
68.3
39.2
42.3
61.9
567.5
56.75
Suma
Promedio
Desviaciones
-4.15
-17.85
11.55
10.45
7.15
8.15
11.55
-17.55
-14.45
5.15
0 Suma
Propiedad
ESTADISTICA Medidas de Tendencia Central
01
n
i
xxi
xxi
ESTADISTICA APLICADA Medidas de Tendencia Central
Media en datos tabulados
Si la tabla no presenta clases abierta es posible hacer una estimación de la media tomando en cuenta lo siguiente:
• PMC es el promedio de las observaciones de las observaciones que caben dentro del intervalos.
• PMC*fi proporciona una estimación de la suma de las observaciones que caben en el intervalo y como una tabla tiene k-ésimo intervalos entonces:
ESTADISTICA APLICADA Medidas de Tendencia Central
Intervalos de Clases PMC fi
37.1 a 42.6 39.85 8
42.6 a 48.1 45.35 3
48.1 a 53.6 50.85 4
53.6 a 59.1 56.35 2
59.1 a 64.6 61.85 4
64.6 a 70.1 67.35 9
30
PMC*fi
318.8
136.05
203.4
112.7
247.4
606.15
1624.5
1624.5 = = 54.15 30 x
ESTADISTICA Medidas de Tendencia Central
Cargo fi Salario
Rector 1 2000
Asesores 2 1200
Vic. Académico 1 1150
Vic. Administrativo 1 1250
Jefe de Carrera C.S 2 1000
Jefe de Carrera 5 800
Administrativo 2 600
Secretarias 9 120
Cuando los datos tienen diferente peso dentro de la base de datos, si desea obtener el promedio, la media aritmética no es la más indicada
ESTADISTICA Medidas de Tendencia Central
Cargo fi (wi) Salario
(xi)
Rector 1 2000
Asesores 2 1200
Vic. Académico 1 1150
Vic. Administrativo 1 1250
Jefe de Carrera C.S 2 1000
Jefe de Carrera 5 800
Administrativo 2 600
Secretarias 9 120
Xiwi
2000
2400
1150
1250
2000
4000
1200
1080
15080
15080 = = 655.65 23
wx
ESTADISTICA Medidas de Tendencia Central
Mediana (Me)
Datos sin tabular
Datos tabulados
Si los datos no se distribuyen simétricamente (curva simétrica) el promedio no es la mejor medida para localizar el centro de los mismos
(b-a)(0.5- c) Me = a + d
Me = xn/2 + 0.5
•Ordenar
Impar
Par
n
Me = (xn/2 + x n/2 + 1 )/2
ESTADISTICA Medidas de Tendencia Central
Tiempo (minutos)
38.9
39.2
42.3
52.6
61.9
63.9
64.9
67.2
68.3
Tiempo (minutos)
38.9
39.2
42.3
52.6
61.9
63.9
64.9
67.2
68.3
n es impar
Me
Me = xn/2 + 0.5
ESTADISTICA Medidas de Tendencia Central
Tiempo (minutos)
38.9
39.2
42.3
52.6
61.9
63.9
64.9
67.2
68.3
68.3
Tiempo (minutos)
38.9
39.2
42.3
52.6
61.9
63.9
64.9
67.2
68.3
68.3
n es par
Me = (xn/2 + x n/2 + 1 )/2
61.9 + 63.9 Me = = 62.9 2
62.9
Mediana es aquella medida de tendencia central que antes y después de ella no existe más del 50% de la información
ESTADISTICA Medidas de Tendencia Central
(b-a)(0.5- c) Me = a + d
a = Límite inferior de la clase de la Me
b = Límite superior de la clase de la Me
c = Fra una clase antes de la clase de la Me (Nj-1)
d = fr de la clase de la Me
Clase de la Mediana
• Complete la columna Fia
• Localice la menor Fia > n/2
• La clase a la que pertenece esta frecuencia es la clase de la mediana (Nj)
• La Clase antes de Nj es Nj -1
Intervalos
de Clases PMC fi fr Fia Fra
37.1 a 42.6 39.85 8 0.27 8 0.27
42.6 a 48.1 45.35 3 0.10 11 0.37
48.1 a 53.6 50.85 4 0.13 15 0.50
53.6 a 59.1 56.35 2 0.07 17 0.57
59.1 a 64.6 61.85 4 0.13 21 0.70
64.6 a 70.1 67.35 9 0.30 30 1
ESTADISTICA Medidas de Tendencia Central
(b-a)(0.5- c) Me = a + d
a = Límite inferior de la clase de la Me
b = Límite superior de la clase de la Me
c = Fra una clase antes de la clase de la Me (Nj-1)
d = fr de la clase de la Me
n = 30
n/2 = 15
Nj = 17… (53.6 – 59.1)
Nj- 1 = (48.1 – 53.6)
(59.1-53.6)(0.5- 0.5) Me = 53.6 + = 53.6 0.07
Ubicación de la clase de la Me
ESTADISTICA Medidas de Tendencia Central
Connotancia de Moda (Mo) en Estadística
En caso de existir es la (s) observación (nes) que más se repiten en una base de datos
Tiempo (minutos)
38.9
39.2
42.3
52.6
61.9
63.9
64.9
67.2
68.3
68.3
Distribuciones:
Unimodales
Bimodales
Etc.
Mo
ESTADISTICA Medidas de Tendencia Central
(ficmo- ficpremo)
Mo = Licmo + Acmo
(ficmo-ficpremo) + (ficmo – ficpostmo)
Donde:
Licmo: Límite inferior de la Clase Modal
Acmo: Ancho de clase de la Clase Modal
Ficmo: Frecuencia absoluta de la Clase Modal
Ficpremo: Frecuencia absoluta de la Clase Premodal
Ficpostmo: Frecuencia absoluta de la Clase Postmodal
Clase Modal es la (s) que tiene(n) la mayor (es) fi
Intervalos
de Clases PMC fi
37.1 a 42.6 39.85 8
42.6 a 48.1 45.35 3
48.1 a 53.6 50.85 4
53.6 a 59.1 56.35 2
59.1 a 64.6 61.85 4
64.6 a 70.1 67.35 9
ESTADISTICA Medidas de Tendencia Central
(ficmo- ficpremo)
Mo = Licmo + Acmo
(ficmo-ficpremo) + (ficmo – ficpostmo)
(9 - 4)
Mo = 64.6 + 5.5 = 66.56
(9 - 4) + (9 – 0)
ESTADISTICA Medidas de Dispersión
Medidas de Dispersión
Rango/Distancia/Amplitud o Recorrido
Varianza (Variancia)
Desviación Típica o Estándar
Coeficiente de Variación
Una medida de tendencia central por si sola no es tan importante. Por esta razón debe estar acompañada de una medida de dispersión
ESTADISTICA Medidas de Dispersión
Rango Rango = Valor Máximo – Valor Mínimo
Varianza
Población ( σ²)
Muestra (S²)
Es el promedio de las desviaciones al cuadrado de las observaciones que toma una variable respecto a su media
2
12
N
xiN
i
ESTADISTICA Medidas de Dispersión
xi (Desviaciones)2
52.6 17.2225
38.9 318.6225
68.3 133.4025
67.2 109.2025
63.9 51.1225
64.9 66.4225
68.3 133.4025
39.2 308.0025
42.3 208.8025
61.9 26.5225
Sumatoria 567.5 1372.725
Promedio 56.75
1372.725
S² = = 152.525mi²/est²
10 - 1
Desventaja
Desviación Típica S = √S²
S = √152.525 = 12.35 min/est
Interpretación x ± S
56.75 ± 12.35 min/est.
ESTADISTICA
Intervalos de Clases
PMC fi
37.1 a 42.6 39.85 8
42.6 a 48.1 45.35 3
48.1 a 53.6 50.85 4
53.6 a 59.1 56.35 2
59.1 a 64.6 61.85 4
64.6 a 70.1 67.35 9
Si la tabla no presenta clases abierta es posible hacer una estimación de la varianza de la siguiente forma:
𝑆2 = 𝑃𝑀𝐶 − 𝑥 ² ∗ 𝑓𝑖𝐾𝑖=1
𝑛 − 1
𝑆2 = 𝑃𝑀𝐶 ∗ 𝑓𝑖 −
(𝑃𝑀𝐶 ∗ 𝑓𝑖)2𝑘1
𝑛𝑘𝑖=1
𝑛 − 1
ESTADISTICA Medidas de Dispersión
Intervalos de Clases
PMC fi
37.1 a 42.6 39.85 8
42.6 a 48.1 45.35 3
48.1 a 53.6 50.85 4
53.6 a 59.1 56.35 2
59.1 a 64.6 61.85 4
64.6 a 70.1 67.35 9
PMC*fi
PMC2*fi
318.8 12704.18
136.05 6169.8675
203.4 10342.89
112.7 6350.645
247.4 15301.69
606.15 40824.203
1624.5 91693.475
5103448.128130
30
5.1624475.91693
2
2
S
33624033.115103448.128 S
𝑆2 = 𝑃𝑀𝐶 − 𝑥 ² ∗ 𝑓𝑖𝐾𝑖=1
𝑛 − 1
ESTADISTICA Medidas de Dispersión
Todas las medidas de dispersión expuestas anteriormente son dimensionales (toman las unidades de medidas de las variables)
Existe otra medida de dispersión pero adimensional llamadas Coeficiente de Variación o Dispersión Relativa
x
SVC. 100*.
x
SVC
ESTADISTICA Medidas de Dispersión
Las medidas de dispersión cuantifican cuánto se dispersan los datos alrededor de una medida de tendencia central, pero, ¿Para donde se desvían los datos?, a la izquierda de la media, a la derecha o se distribuyen simétricamente.
Existen otras medidas aplicable solo a curvas unimodales que tratan de las deformación de curvas tanto de forma horizontal como vertical
ESTADISTICA Deformación de Curvas Unimodales
Asimetría
Asimetría Negativa
Asimetría Positiva
Curvas Simétricas
> Me > Mo x
< Me < Mo x
= Me = Mo x
ESTADISTICA Deformación de Curvas Unimodales
ESTADISTICA Deformación de Curvas Unimodales
Curtosis
Curva Platicúrtica
Curva Leptocúrtica
Curva Mesocúrtica
Kur > 3
Kur < 3
Kur = 3
ESTADISTICA Regresión Lineal Simple
Y
X1
X2 .
.
.
Xi
En el desarrollo de los eventos, puede ser que una variable sea afectada por el comportamiento de otra (s) variable (s)
Es de interés poder cuantificar este tipo de relación de manera que se pueda predecir una variable en función de otra
En Regresión Lineal Simple es de interés cuando una variable afecta el comportamiento de otra variable
Y: Variable Dependiente
X: Variable Independiente
Y = f(X) Propósito de la R.L.S: Predicción
ESTADISTICA Regresión Lineal Simple
Por análisis de regresión se entiende al conjunto de métodos estadísticos que tratan con la formulación de modelos matemáticos que describen la relación entre variables y el uso de estas relaciones modeladas con el propósito de predecir e inferir.
Por Regresión Lineal Simple se entiende …
Supuestos del Análisis de Regresión Lineal Simple
“Y” es una variable aleatoria cuya distribución probabilística depende de “X”
Modelo de la Línea Recta
Homogeneidad de Varianza
Normalidad
Independencia
ESTADISTICA Regresión Lineal Simple/Diagrama de Dispersión
Llamado también Ploteo de Datos, tiene como propósito mostrar la posible tendencia (en caso de existir) entre las variables “X” y “Y”.
Consiste en llevar los pares de valores “x, y” a un sistema de coordenadas (bidimensional)
Y
X
(x, y)
Rango de Sueldo (X) Inasistencias (Y) 11 18 10 17 8 29 5 36 9 11 9 26 7 28 3 35 11 14 8 20 7 32 2 39 9 16 8 26 6 31 3 40
ESTADISTICA Regresión Lineal Simple/Diagrama de Dispersión
0
5
10
15
20
25
30
35
40
45
0 2 4 6 8 10 12
Inasi
stencia
Rango de Salario
ESTADISTICA Regresión Lineal Simple/Métodos de Mínimos Cuadrados
El supuesto No 2 de RLS plantea que de existir una relación entre “X” y “Y”, ésta es una línea recta, por lo tanto se puede pensar en una ecuación de la siguiente forma:
De tal manera que se llegue a obtener una ecuación de la siguiente naturaleza:
Parámetros
Estimación
ESTADISTICA Regresión Lineal Simple/Métodos de Mínimos Cuadrados
Uso de la Técnica de Mínimos Cuadrados (Carl Gauss)
A partir de muestras (x1, y1), (x2, y2), …(xi, yi) de las variables “X” y “Y”, se trata de obtener los estimadores . Para ello la Técnica de Mínimos Cuadrados minimiza la suma de cuadrado de las distancias entre los valores observados y los estimados de tal manera que :
Y
X
ESTADISTICA Regresión Lineal Simple/Recta de Estimación
Estimada una vez la recta de Predicción y teniendo en cuenta que el propósito de la R.L.S es la predicción, se hace necesario estar seguro que la ecuación estimada es capaz de predecir.
Por esta razón es necesario validar la ecuación estimada
ESTADISTICA Regresión Lineal Simple/Validación de la Recta de Estimación
Validación
Cálculo de Coeficiente de Determinación R²
Análisis de Varianza de la Regresión “ANARE”
Cuantifica la cantidad de la variabilidad de “Y” que puede ser explicada por “X”
R² ≥ 70%
ESTADISTICA Regresión Lineal Simple/Validación de la Recta de Estimación/ANARE
Por análisis de Varianza se entiende, de forma general, a la partición de la variación total en fuente de variación conocida que en el caso de R.L.S son de acuerdo al siguiente modelo aditivo lineal:
xi= Variación debida a Regresión
εi = Variación debida al Error
FV gl SC CM Fc Ft (Pr>F)
Regresión 1 SCRegresión CMRegresión CMRegresión
/CMError
Error n-2 SCError CMError
Total n.1 SCTotales
Regla de Decisión
NRHo : Fc ≤ Ft
RHo : Fc > Ft
ESTADISTICA Regresión Lineal/Dibujo de la Recta de Estimación
La Recta de Estimación debe pasar por dos puntos obligados dentro del área de exploración, Las coordenadas de estos puntos son las siguientes:
y = -2.9274x + 47.348
R² = 0.7896
0
10
20
30
40
50
0 5 10 15
Ina
sist
enc
ia
Nivel Salarial
Diagrama de Dispersión y Recta de
Estimación
Dispersión
Lineal (Dispersión)
ESTADISTICA Regresión Lineal Simple/Bandas de Confianza
¿Hasta dónde es capaz de predecir la recta de predicción estimada?
0
10
20
30
40
50
60
0 5 10 15
Ina
sist
enc
ia
Nivel Salarial
Diagrama de dispersión, recta de estimación y
bandas de confianza
Diagrama de
Dispersión
Recta de Estimación
Banda Inferior
Banda Superior
ESTADISTICA Correlación Lineal Simple
Así como existen técnicas que cuantifican los cambios de una variable dependiente por un único cambio de la variable independiente, existen técnicas que cuantifican la asociación lineal entre dos variables, esta técnica es llamada Correlación Lineal Simple que se exprese como el coeficiente de correlación (r)
Este coeficiente indica el sentido de la asociación como también la magnitud de ésta, partiendo del hecho que el coeficiente de correlación lineal simple toma valores en el rango de: r es -1 ≤ r ≤ 1. Entre más se acerca a 1 el valor de r mayor es la asociación entre dichas variables.
ESTADISTICA
Correlación Lineal Simple
-1 ≤ r < -0.8 Asociación
fuerte y
negativa
0 ≤ r < 0.4 No hay
asociación
-0.8 ≤ r < -0.4 Asociación
débil y
negativa
0.4 ≤ r < 0.8 Asociación
débil y
positiva
-0.4 ≤ r ≤ 0 No hay
asociación
0.8 ≤ r ≤ 1 Asociación
fuerte y
positiva
ESTADISTICA Correlación Lineal Simple
ESTADISTICA Correlación Lineal Simple
Regresión Lineal Simple Correlación Lineal Simple
Mide la cantidad de cambios en “Y” por un único cambio en “X”.
Mide asociación lineal entre dos variables
Existe una variable dependiente y otra independiente
Es indistinto x, y ó y, x
β1 puede tomar cualquier valor en la recta numérica
El coeficiente de correlación toma valores en el intervalo -1 ≤ r ≤ 1
Probabilidad
PROBABILIDADES
Experimentos Aleatorios
Espacio Muestral,Eventos y Sucesos
Tipos de Experimentos Aleatorios
Relaciones entre Eventos
Enfoques de Probabilidad/Teoremas Básicos de Probabilidad
Eventos Dependientes/Independientes
Probabilidad Total/Teorema de Bayes
Experimentos
Determinísticos
No Determinísticos
Sus resultados se conocen con anticipación sin necesidad de realizar el experimento
Sus resultados se conocen una vez que el experimento ha finalizado
Es un proceso planificado a través del cual se obtiene una observación (o una medición) de un fenómeno
Se pueden describir los posibles resultados pero no se puede decir cuál de ellos ocurrirá
Experimentos Aleatorios Son experimentos no determinísticos cuyos resultados están regidos por el azar
PROBABILIDADES
Supóngase que se lanzan dos monedas legales al mismo tiempo y que a una cara de cada moneda se la llama “Cara” a la otra “Sol” entonces:
={CC, CS, SC, SS}
Supóngase ahora que se lanza un dado legal. Entonces:
={1, 2, 3, 4, 5, 6,}
Experimentos Aleatorios
Son aquellos experimentos no determinísticos cuyos resultados están regidos por la casualidad (azar)
PROBABILIDADES
M = {CC, CS, SC, SS}
O bien en el caso del lanzamiento del dado
M = {1, 2, 3, 4, 5, 6,}
Espacio Muestral
Retomando el caso del lanzamiento de las dos monedas, ¿hay otro posible resultado en este experimento?.
Son todos los resultados que están asociados a un experimento aleatorio
Supóngase que el lanzamiento del dado se está interesado en la ocurrencia de una cara impar
A = {1,3,5} Evento
Es subconjunto del espacio muestral, es decir, sus resultados pertenecen al espacio muestral
PROBABILIDADES
Espacio Muestral
Evento
2
1
3
4
5
6
M
A
Suceso (wi)
Letras Mayúsculas del Alfabeto
A= (wiεA /wi ε M
PROBABILIDADES
Experimentos
Aleatorios
Simples
Compuestos
Un solo experimento aleatorio
Cuando ocurren dos o más experimentos simples al mismo tiempo o bien uno después del otro
Unidos por la partícula “ó” (v)
Unidos por la partícula “y” ( )
Los experimentos simples que lo componen ocurren de forma sucesiva
Los experimentos simples que lo componen ocurren al mismo tiempo
M = {M1∩M2…Mi} M = {M1UM2U…Mi}
PROBABILIDADES
Experimentos
Aleatorios
Simples
Compuestos
Un solo experimento aleatorio
Cuando ocurren dos o más experimentos simples al mismo tiempo o bien uno después del otro
M = {1, 2, 3, 4, 5, 6,}
M = {CC, CS, SC, SS}
PROBABILIDADES
M2
M1 C S
C CC CS
S SC SS
Experimentos compuestos unidos por la partícula “y”
M3
M1*M2 C S
CC CCC CCS
CS CSC CSS
SC SCC SCS
SS SSC SSS
El espacio muestral es el producto cartesiano de los espacios muestrales simples que lo conforman
PROBABILIDADES
Experimentos compuestos unidos por la partícula “y”
C
S
C
S
C
S
C
S
C
S
C
S
C
S
M
CCC
CCS
CSC
CSS
SCC
SCS
SSC
SSS
Diagrama del Árbol
Diagrama de Senderos
1ra Moneda
2da Moneda
3era Moneda
PROBABILIDADES
De acuerdo a cómo ocurren los eventos se pueden establecer algunas relaciones entre ellos tales como:
AUB
A B M
AUB
A B M
AΠB
A B M M
A A´
PROBABILIDADES
Enfoques de
Probabilidades
Clásico
Frecuencia Relativa
Probabilidad A priori. Llamada También Probabilidad de Laplace
Probabilidad A posteriore
Subjetivo
PROBABILIDADES
Probabilidad
Clásica
Supuesto
Frecuencia Relativa
Probabilidad A posteriore
Subjetivo
Todos los sucesos de un experimento aleatorio tienen la misma posibilidad de ocurrir, entonces:
M
naAP
10 AP
Si en la realización de experimento aleatorio aparece un evento A “n veces ≤ N”,entonces:
N
nAP
PROBABILIDADES
Teoremas Básicos de
Probabilidades
P[AUB] = P [A] + P [B]
P[AUB] = P [A] + P [B] – P[AΠB]
P[Ø] = 0
P[M] = 1
%1000/10 APAP
APAP c 1
PROBABILIDADES
Cuando la ocurrencia de un evento está en dependencia de otro evento, se dice que éste es dependiente.
Sea A y B dos eventos en el espacio muestral “M”, se dice que A es un evento dependiente de B sí;
o bien:
0; BPB
APAP 0; APA
BPBP
Estas probabilidades se pueden calcular de dos formas:
• Respecto al espacio muestral original
• Respecto al espacio muestral del evento condicionante
0;
BPAPBP
BAPB
AP
0;
APBPAP
ABPA
BP
PROBABILIDADES Eventos Dependientes
En una institución de Educación Superior se tiene 300 docentes, de los cuales 100 son casados y 30 divorciados. En dicha institución hay 200 hombres, 85 de los cuales son casados y 95 son solteros. Determinar cual es la probabilidad de seleccionar un docente al azar: a. Que sea mujer b. Que sea soltero (a) c. Que sea un hombre y esté casado (a) d. Que sea una mujer divorciada e. Dado que el docente es casado (a), ¿cuál es la probabilidad que
sea hombre? f. Si el docente seleccionado es hombre, ¿cuál es la probabilidad que
sea casado?
PROBABILIDADES
En una universidad el 70% de los estudiantes son de Ciencias, 30% de Letras. De los estudiantes de Ciencias el 60% son varones y los de Letras son varones el 40%. Si se elige al azar un estudiante, calcule la probabilidad que: a. Sea mujer b. Se estudiante varón dado si es de Ciencias c. Sea estudiante de Ciencias dado que es varón d. Sea estudiante de Ciencias y varón.
PROBABILIDADES
Cuando la ocurrencia de un evento no está en dependencia de la ocurrencia de otro evento, se dice que éstos son independientes.
Sea A y B dos eventos en el espacio muestral “M”, se dice que A es un evento independiente de B sí se cumple con cualquiera de las siguientes condiciones:
BPAPBAP *
0;
APBPAP
ABPA
BP
0;
BPAPBP
BAPB
AP
PROBABILIDADES Eventos Independientes
Sea A1, A2, …, Ak, eventos que forman una partición del espacio muestral M y sea B, un evento en M. Si las probabilidades P[A1], P[A2], P[A3]…, P[Ak], si P[B/A1], P[B/A2], P[B/A3]…, P[B/Ak] son probabilidades conocidas entonces:
]/[][...]2/[]2[1/1 AkBPAkPABPAPABPAPBP
Probabilidad Total = AkBPAkPBPk
i/
1
PROBABILIDADES Probabilidad Total
Sea A1, A2, …, Ak, eventos que forman una partición del espacio muestral M y sea B, un evento en M. Si las probabilidades P[A1], P[A2], P[A3]…, P[Ak], si P[B/A1], P[B/A2], P[B/A3]…, P[B/Ak]. Si B ya ha ocurrido y se está interesado en saber a cual de los eventos que forman la partición muestral se ha debido su ocurrencia, entonces se usa el denominado Teorema de Bayes
k
i AkBPAkP
AkBPAkP
BAkP
1
PROBABILIDADES Teorema de Bayes