U4.5 MUESTRAS DEFINITIVAS Simulacion

H. Nog., Son. , Méx.
Miércoles, 26 de abril del 2023
Unidad 4: Diseño De La
Calidad De La Simulación
4.5 MUESTRAS DEFINITIVAS.

Integrantes del grupo “N” Equipo “Patrones”
20340449- Amaya Rodríguez 20340455- López Pacheco
20340471- Delgado Acuña 20340639- Pacheco Flores
20340601- Calderón Luna 20340442- Valenzuela Vizcarra
20340472- Félix Prado
Docente: Arenas Villegas

Carlos Arturo
4.5.
Muestras definitivas
Es un subconjunto de datos perteneciente a una población de datos.
Características
Tamaño suficientemente grande Aleatoriedad
Si en lugar de realizarlo al azar, realizamos
Para que una muestra estadística sea un proceso de selección de datos
representativa deberá ser lo suficientemente planificado, estamos introduciendo un
grande como para considerarse sesgo a la obtención de datos.
representativa.
Tipos
Probabilístico
• Muestra aleatoria simple:
En este tipo de muestras todos los sujetos • Muestra aleatoria sistemática
disponibles tienen las mismas • Muestra aleatoria por conglomerados
probabilidades de ser incluidos. • Muestra estratificada
No probabilístico
En este tipo de selección de muestra todos

los elementos no tienen la misma • Muestra de Bola de Nieve
probabilidad de ser elegidos, ya que • Muestra por Cuotas
depende del procedimiento escogido para • Muestra Discrecional
seleccionarlos. • Muestra por Convivencia
4.5.1.
Estadísticas descriptivas
¿Qué es ?
La estadística descriptiva es el enfoque analítico de la estadística donde se analizan los datos
recolectados para posteriormente describir su comportamiento en el contexto de la
investigación.
En la interpretación de los datos recopilados en el estudio, se diferencian dos tipos de variables:
• Variable cuantitativa: hace referencia a todos aquellos valores numéricos, con los cuales se
pueden realizar cálculos.
• Variable cualitativa: son todos aquellos valores no numéricos que constituyen las
características de los objetos de estudio.
Conceptos básicos
De igual manera, uno de los conceptos básicos de la
estadística descriptiva los parámetros
estadísticos, a partir de los cuales esta rama se
divide en tres tipos o enfoques:
• Distribución de frecuencias.
• Medición de tendencia central.
• Medición de variabilidad o dispersión.
Características de la estadística
descriptiva
Entre las características que definen el concepto de estadística descriptiva se
encuentran:
• Uso de gráficos para la representación de la información.

• Análisis aritmético del comportamiento de los datos.
• Uso de fórmulas para la interpretación de la información.
• Precisión y rigurosidad analítica.
• Base para la deducción del comportamiento de los datos en el futuro.
• Simplificación de la complejidad teórica.
• Capacidad divulgativa.
4.5.2.
Muestras pequeñas: prueba de Kolmogorov-Smirnov para ajuste de
una distribución de probabilidades continua hipotética
Es un tipo de prueba no paramétrica. Las pruebas no paramétricas (también llamadas de

distribución libre) son utilizadas en estadística inferencial
Características
Características n° 1 Características n° 3
Son aplicables a muestras Plantean hipótesis sobre
pequeñas. bondad de ajuste,
independencia...
Características n° 2 Características n° 4
No tienen excesivas El nivel de medida de las
restricciones. variables es bajo (ordinal).
Características: Objetivo:
• La estadística inferencial • Se trata de una prueba de bondad de

pretende extraer información ajuste, es decir, sirve para verificar si las
sobre las poblaciones. puntuaciones que hemos obtenido de la
muestra siguen o no una distribución
normal.
Ventajas
01 02
Es más poderosa que la Es fácil de calcular y usar, y
prueba Chi cuadrado (χ²) no requiere agrupación de
(también prueba de bondad los datos.
de ajuste).
03
El estadístico es independiente de la
distribución de frecuencias esperada, solo
depende del tamaño de la muestra.
Diferencias con las pruebas paramétricas
Las pruebas paramétricas, a diferencia de las no paramétricas como la
prueba de Kolmogórov-Smirnov, tienen las siguientes características:
Plantean hipótesis El nivel de medida de las

sobre parámetros. variables es cuantitativo
como mínimo.
No pierden Existen una serie de

información. supuestos que se deben
cumplir.
Tienen una alta potencia

estadística.
4.5.3.
Muestras grandes: prueba de Karl- Pearson para ajuste de una

distribución de probabilidades hipotética, discreta o continua
Prueba de Karl- Pearson
Se considera una prueba no paramétrica que mide la discrepancia entre una distribución
observada y otra teórica ( bondad de ajuste) indicando en que medida las diferencias
existentes entre ambas de haberlas se deben al azar en el contraste de hipótesis. También
se utiliza para probar la independencia de dos variables entre si, mediante la presentación
de los datos en tablas de contingencia
Características: Objetivo:
Compara los resultados observados con resultados
• Es un procedimiento de elección teóricos.
para el contraste de hipótesis. * Hipótesis nula o hipótesis de independencia de
• Se interpreta como X^2 las variables (H0)
* Hipótesis alternativa o hipótesis de asociación
• Es una medida de la diferencia
de las variables (Hi)
existente entre las frecuencias
observadas y esperadas.
Requisitos
-Muestras independientes
-Las variables son cualitativas o categóricas
-Las medidas de la variable están en escala nominal.
-Las categorías de casa una de las variables son mutuamente excluyentes.
-Tamaño muestral (n>30) y todas las frecuencias esperadas sean =>5.
-Las observaciones son obtenidas mediante muestreo aleatorio a partir de una
población particionada en categorías.
4.5.4.
Otras pruebas: Anderson-Darling,
prueba G, por ejemplo
Anderson-Darling
El estadístico Anderson-Darling mide qué tan bien siguen los datos una
distribución específica. Para un conjunto de datos y distribución en
particular, mientras mejor se ajuste la distribución a los datos, menor será
este estadístico.
Las hipótesis para la prueba de Anderson-Darling son:

o H0: Los datos siguen una distribución especificada.
o H1: Los datos no siguen una distribución especificada.
Anderson-Darling
Utilice el valor p correspondiente (si está disponible) para probar si los datos
provienen de la distribución elegida. Si el valor p es menor que un nivel de
significancia elegido (por lo general 0.05 o 0.10), entonces rechace la hipótesis
nula de que los datos provienen de esa distribución.
Minitab no siempre muestra un valor p para la prueba de Anderson-Darling,

porque este no existe matemáticamente para ciertos casos.
Ejemplo Anderson-Darling:
Ejemplo Anderson-Darling:
Media: 8
Desviación estándar: 0.1
Pruebas G
En estadística, la prueba G de bondad de ajuste se utiliza para determinar si

alguna variable categórica sigue o no una distribución hipotética.
Esta prueba es una alternativa a la prueba de bondad de ajuste de chi-cuadrado y
se usa a menudo cuando hay valores atípicos en los datos o cuando los datos con
los que está trabajando son extremadamente grandes.
Pruebas G
La prueba G de bondad de ajuste utiliza las siguientes hipótesis nulas y alternativas:
o H 0 : una variable sigue una distribución hipotética.
o H A : Una variable no sigue una distribución hipotética.
La estadística de prueba se calcula de la siguiente manera:

G = 2 * Σ [O * ln (O / E)]
dónde:
O: el recuento observado en una celda.
E: el recuento esperado en una celda.
Ejemplo Prueba G:
Paso 1: Enuncie las hipótesis nula y alternativa.

H 0 : Existe una proporción igual de tres especies de tortugas en esta área.
H A : No existe una proporción igual de tres especies de tortugas en esta área.
Ejemplo Prueba G:
Paso 2: Calcule la estadística de prueba.
G = 2 * Σ [O * ln (O / E)]
G = 2 * [80 * ln (80/100) + 125 * ln (125/100) + 95 * ln (95/100)] = 10,337
Paso 3: Calcule el valor p del estadístico de prueba.

Según la calculadora de chi-cuadrado a valor p, el valor p asociado con una
estadística de prueba de 10,337 y No. categorias-1 = 3-1 = 2 grados de libertad
es 0,005693 .
Dado que este valor p es menor que 0.05, el investigador rechazaría la hipótesis
nula. Esto significa que tiene evidencia suficiente para decir que una proporción
igual de cada especie de tortuga no existe en esta área en particular.

U4.5 MUESTRAS DEFINITIVAS Simulacion

Cargado por

Copyright:

Formatos disponibles

U4.5 MUESTRAS DEFINITIVAS Simulacion

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

U4.5 MUESTRAS DEFINITIVAS Simulacion

Cargado por

Copyright:

Formatos disponibles

H. Nog., Son. , Méx.

Miércoles, 26 de abril del 2023

4.5 MUESTRAS DEFINITIVAS.

20340449- Amaya Rodríguez 20340455- López Pacheco

20340471- Delgado Acuña 20340639- Pacheco Flores

20340601- Calderón Luna 20340442- Valenzuela Vizcarra

20340472- Félix Prado

Docente: Arenas Villegas

En este tipo de selección de muestra todos

En la interpretación de los datos recopilados en el estudio, se diferencian dos tipos de variables:

• Uso de gráficos para la representación de la información.

Es un tipo de prueba no paramétrica. Las pruebas no paramétricas (también llamadas de

• La estadística inferencial • Se trata de una prueba de bondad de

Plantean hipótesis El nivel de medida de las

No pierden Existen una serie de

Tienen una alta potencia

Muestras grandes: prueba de Karl- Pearson para ajuste de una

Las hipótesis para la prueba de Anderson-Darling son:

Minitab no siempre muestra un valor p para la prueba de Anderson-Darling,

En estadística, la prueba G de bondad de ajuste se utiliza para determinar si

La estadística de prueba se calcula de la siguiente manera:

Paso 1: Enuncie las hipótesis nula y alternativa.

G = 2 * [80 * ln (80/100) + 125 * ln (125/100) + 95 * ln (95/100)] = 10,337

Paso 3: Calcule el valor p del estadístico de prueba.

También podría gustarte