Академический Документы
Профессиональный Документы
Культура Документы
Investigacin y
Estadsticas
Inferenciales
PO CHUN LEE, PHD
Brevemente
Valores de muestra y muestras de
distribuciones
Diseo de Investigacin Estadstica
Distribucion de las muestras y el teorema del
lmite central.
El error standard
Transformacin de la media muestral a
distribucin muestral.
Introduccin
Hasta ahora, hemos discutido y utilizado ejemplos de conjuntos de
puntuaciones en bruto para examinar las estadsticas descriptivas.
Aprendimos a transformar los valores de puntuacin bruta en valores
estandarizados y usar la Tabla de Valores Z para entender la distribucin de
las proporciones alrededor de las puntuaciones dadas.
Ahora, volvemos nuestra atencin a un nivel diferente de investigacin. Este
es un punto de referencia importante en las estadsticas, ya que requiere un
cambio de pensamiento de trabajar con las puntuaciones individuales en
bruto a trabajar con muestras de puntajes brutos y su relacin con las
poblaciones de donde se tom la muestra.
En el mundo real de la investigacin y las estadsticas, los profesionales casi
siempre se ocupan de los valores de la muestra, ya que muy rara vez tienen
acceso a la informacin de la poblacin.
El propsito primordial de la investigacin es poder hacer observaciones
sobre realidades ms grandes.
Introduccin
Podemos "generalizar" los resultados descubiertos de las
muestras a poblaciones similares?
Por ejemplo, podramos querer entender las puntuaciones de
AP de los estudiantes en comparacin con la puntaciones a
nivel provincial.
Comprendriendo la distribucin de la muestra nos puede
decir algo sobre los puntajes AP de todos los estudiantes?
Las estadsticas inferenciales son mtodos que ayudan a
tomar decisiones sobre cmo los datos del mundo real
indican si es probable que la dinmica en el nivel de la
muestra est relacionada con la dinmica a nivel de la
poblacin. Es decir, necesitamos comenzar a pensar en la
distribucin completa de la muestra como una posible
muestra de la poblacin total de las calificaciones.
Muestra vs. Poblacin
Si derivamos una muestra que es imparcial, los valores de la muestra
(media y DE, por ejemplo) deben ser similares a los valores de la
poblacin. Sin embargo, si intencionalmente hacemos un cambio
para ver qu suceder con nuestra muestra, podramos observar que
los valores de nuestra muestra difieren de los valores de la poblacin.
O, para tomar otro ejemplo, podramos observar que otro maestro ha
estado usando un mtodo "tradicional" de ensear AP, mientras yo he
usado mi nuevo mtodo, y quiero ver cul es ms efectivo. En
cualquier caso, lo que estamos haciendo es:
1. Asumiendo desde el principio que nuestra muestra refleja los valores
de la poblacin
2. Cambiar nuestra muestra de alguna manera o observar
condiciones diferentes entre nuestra muestra y otra muestra similar
3. Ver si nuestra muestra cambiada es ahora diferente de antes o
diferente de la otra muestra
Muestra vs. Poblacin
En todos estos casos, estamos comparando una
muestra con una poblacin, no examinando las
puntuaciones individuales dentro de una
muestra.
Ya no pensamos en nuestros valores de muestra
individualmente sino como un conjunto que se
podra derivar de una poblacin junto con
muchos ms tales conjuntos.
Esa es la diferencia entre estadstica deductiva y
descriptiva.
Muestra vs. Poblacin
La pregunta para estadsticas descriptivas:
Estn nuestros valores de muestra normalmente
distribuidos?
La pregunta para estadsticas inferenciales:
Es probable que los valores muestrales reflejen los
valores poblacionales conocidos (o desconocidos)?
A continuacin
En los captulos anteriores describimos datos para
ver patrones ocultos que podran ayudar a
nuestra comprensin. Los siguientes captulos de
van ms all en dos maneras:
(1) Se discute el diseo de la investigacin, que es
el intento de crear una estructura para clasificar y
comparar los patrones de datos, y
(2) se introduce la estadstica inferencial como la
manera de entender cmo los datos accesibles
pueden ayudar a explicar las relaciones
desconocidas y las realidades sociales.
DISEO DE LA INVESTIGACIN
Antes de examinar en profundidad las estadsticas
inferenciales, necesitamos cubrir algunos aspectos
esenciales del diseo de la investigacin. Las
estadsticas y el diseo de la investigacin son temas
complementarios que deben ser entendidos juntos. A
veces, las dos materias se ensean juntas en un solo
curso (o cursos), pero ms a menudo se ensean
como requisitos previos.
Como no hay manera de secuenciar las ideas, lo que
vamos a hacer es introducir un esquema para disear
la investigacin.
DISEO DE LA INVESTIGACIN
Antes de examinar en profundidad las estadsticas
inferenciales, necesitamos cubrir algunos aspectos
esenciales del diseo de la investigacin. Las
estadsticas y el diseo de la investigacin son temas
complementarios que deben ser entendidos juntos. A
veces, las dos materias se ensean juntas en un solo
curso (o cursos), pero ms a menudo se ensean
como requisitos previos.
Como no hay manera de secuenciar las ideas, lo que
vamos a hacer es introducir un esquema para disear
la investigacin.
DISEO DE LA INVESTIGACIN
Antes de examinar en profundidad las estadsticas
inferenciales, necesitamos cubrir algunos aspectos
esenciales del diseo de la investigacin. Las
estadsticas y el diseo de la investigacin son temas
complementarios que deben ser entendidos juntos. A
veces, las dos materias se ensean juntas en un solo
curso (o cursos), pero ms a menudo se ensean
como requisitos previos.
Como no hay manera de secuenciar las ideas, lo que
vamos a hacer es introducir un esquema para disear
la investigacin.
Teora
La teora es una idea abstracta en la que
exponemos la naturaleza conceptual de la
relacin entre nuestras ideas de investigacin.
Por ejemplo, planteemos una preocupacin
social o de salud como una pregunta terica:
La riqueza produce mejor salud?
Hiptesis
Puesto que una teora no puede ser evaluada directamente,
debemos encontrar una manera de reexaminar empricamente la
teora para que pueda ser evaluada. Ese es el papel de la
hiptesis, una afirmacin que capta la naturaleza de la cuestin
terica de tal manera que puede ser verificada directamente.
La hiptesis sigue la afirmacin de la teora, pero est escrita de tal
manera que es "comprobable
Tanto las ciencias fsicas como las ciencias sociales usan los
mtodos que estoy describiendo para generar y verificar el
conocimiento.
El proceso de prueba terica mostrado en la Figura 6.1 es el
corazn de este proceso. Siguiendo el proceso, podemos apoyar o
refutar una posicin terica, pero nunca podemos "probarla"
directamente.
Hiptesis
Haymuchas hiptesis que se pueden generar para probar
cualquier teora ya que el mundo emprico no puede capturar
completamente la esencia del mundo conceptual abstracto.
Variables dependientes
Las
variables dependientes son aquellas que se
consideran los "receptores de la accin
Suvalor depende de (est vinculado a) una variable
existente anteriormente. Cuando las variables
independientes son causas, las variables dependientes
son "efectos" o resultados. Como se seal
anteriormente, en contextos no experimentales, se
puede pensar en ellos como "variables de resultado"
que estn vinculados a los predictores.
DISEOS DE INVESTIGACIN NO EXPERIMENTAL
o POST FACTO
El ejemplo de hiptesis que se present anteriormente ("Los trabajadores
con mayores ingresos informan mejor salud en las medidas estandarizadas
de la salud") es ms fcilmente considerado un diseo no experimental;
Probablemente se considera mejor un diseo correlacional post facto. Aqu,
simplemente estoy usando datos que ya existen - de ah post facto, que
significa "despus del hecho relacionamos salud e ingresos.
Un diseo post facto tambin puede comparar condiciones en lugar de
condiciones correlativas. El diseo post facto-comparativo busca entender
la diferencia. As, por ejemplo, podra comparar dos grupos ya existentes de
trabajadores designados como de ingresos altos o bajos para ver si tienen
calificaciones de medida de salud diferentes.
Estadsticamente, el investigador puede evaluar si existe una diferencia
entre las medias de los valores de medida de salud. Este diseo es post
facto, pero no es correlacional ya que buscamos evaluar la diferencia ms
que la asociacin.
Diseos de investigacin no experimental o
post facto
La naturaleza del diseo de la investigacin
Por ahora, basta con saber que hay diferentes maneras de evaluar teoras. Desarrollamos
hiptesis de acuerdo con la naturaleza de nuestros intereses e investigaciones, y por lo
tanto validamos o cuestionamos teoras mediante procesos empricos (estadsticos).
En resumen, cada diseo tiene fortalezas y limitaciones. El experimento puede ser una
forma poderosa de hacer "declaraciones causales" ya que, si slo una cosa cambia,
mientras que todo lo dems es similar entre los grupos que se estn probando, podemos
atribuir cualquier efecto o cambio en los resultados a lo que fue cambiado.
Utilizando el primer ejemplo nuevamente, si escogimos y asignamos a sujetos a diferentes
condiciones de frmacos utilizando medios aleatorios y si la nica diferencia entre los dos
grupos era el frmaco diferente recibido, entonces el investigador podra atribuir cualquier
diferencia resultante en el resultado X a los diferentes frmacos.
Los diseos post facto no pueden conducir a atribuciones causales. Dado que los
datos ya estn recogidos, una serie de influencias diferentes ya estn "contenidas en
los datos". En este caso, los dos grupos que comparamos tienen diferencias distintas
del inters de investigacin (exposicin a diferentes frmacos).
Diseos de investigacin no experimental o
post facto
La naturaleza del diseo de la investigacin
Por ahora, basta con saber que hay diferentes maneras de evaluar teoras. Desarrollamos
hiptesis de acuerdo con la naturaleza de nuestros intereses e investigaciones, y por lo
tanto validamos o cuestionamos teoras mediante procesos empricos (estadsticos).
En resumen, cada diseo tiene fortalezas y limitaciones. El experimento puede ser una
forma poderosa de hacer "declaraciones causales" ya que, si slo una cosa cambia,
mientras que todo lo dems es similar entre los grupos que se estn probando, podemos
atribuir cualquier efecto o cambio en los resultados a lo que fue cambiado.
Utilizando el primer ejemplo nuevamente, si escogimos y asignamos a sujetos a diferentes
condiciones de frmacos utilizando medios aleatorios y si la nica diferencia entre los dos
grupos era el frmaco diferente recibido, entonces el investigador podra atribuir cualquier
diferencia resultante en el resultado X a los diferentes frmacos.
Los diseos post facto no pueden conducir a atribuciones causales. Dado que los
datos ya estn recogidos, una serie de influencias diferentes ya estn "contenidas en
los datos". En este caso, los dos grupos que comparamos tienen diferencias distintas
del inters de investigacin (exposicin a diferentes frmacos).
Diseos de investigacin no experimental o
post facto
La naturaleza del diseo de la investigacin
Por ahora, basta con saber que hay diferentes maneras de evaluar teoras. Desarrollamos
hiptesis de acuerdo con la naturaleza de nuestros intereses e investigaciones, y por lo
tanto validamos o cuestionamos teoras mediante procesos empricos (estadsticos).
En resumen, cada diseo tiene fortalezas y limitaciones. El experimento puede ser una
forma poderosa de hacer "declaraciones causales" ya que, si slo una cosa cambia,
mientras que todo lo dems es similar entre los grupos que se estn probando, podemos
atribuir cualquier efecto o cambio en los resultados a lo que fue cambiado.
Utilizando el primer ejemplo nuevamente, si escogimos y asignamos a sujetos a diferentes
condiciones de frmacos utilizando medios aleatorios y si la nica diferencia entre los dos
grupos era el frmaco diferente recibido, entonces el investigador podra atribuir cualquier
diferencia resultante en el resultado X a los diferentes frmacos.
Los diseos post facto no pueden conducir a atribuciones causales. Dado que los
datos ya estn recogidos, una serie de influencias diferentes ya estn "contenidas en
los datos". En este caso, los dos grupos que comparamos tienen diferencias distintas
del inters de investigacin (exposicin a diferentes frmacos).
Muestreo
La figura 6.6 muestra cmo puede visualizar esto. La distribucin del muestreo se
obtiene (en teora) de la poblacin de todos los estudiantes. Despus del
experimento, las puntuaciones de los estudiantes (representadas por la media de
la muestra) estn ahora por encima de las puntuaciones de los otros estudiantes,
tal como se representa en la distribucin muestral (el valor medio de la muestra
est en la extrema derecha de la distribucin de todos los estudiantes) .
La distribucin de muestreo se convierte as en una especie de "regla" que
podemos usar para aplicar nuestros fndings. Se crea (tericamente) de acuerdo
con el teorema del lmite central y por lo tanto refleja una distribucin "perfecta":
una distribucin normal estndar.
En el ejemplo de la figura 6.6, diramos que el tratamiento cambi al grupo de tal
manera que ya no es igual al grupo de todos los dems estudiantes.
Otra manera de decir esto es que, despus del experimento, nuestra muestra de
muchas muestras posibles ahora no est en el rea de una muestra "normal".
Nuestra muestra cambiada ahora se movi hacia las colas, y podemos decir que
ahora es diferente de las muestras posibles que se podran crear.
La distribucin de muestreo y la investigacin
Poblaciones y muestras
M La media de la muestra.
MM Este es el smbolo de la media de la distribucin muestral de los medios. Por lo tanto, es la media
de la distribucin de los medios, o la 'media de todos los medios posibles'.
x "Sigma X" es la Desviacin Estndar de todas las puntuaciones brutas de la poblacin. Esto difiere
de SD en que no se refiere a una muestra, sino a toda la poblacin de puntajes individuales.
El error estndar de la media es una desviacin estndar. Pero recuerde que es una
desviacin estndar de una distribucin que es "ms estrecha" que la desviacin estndar
de la poblacin, ya que slo usamos las puntuaciones medias de muestreo repetido para
hacerla.
Puede ver esto mirando nuevamente la Figura 6.4.
Poblaciones y muestras
Podemos usar la misma frmula con algunos cambios para reflejar que estamos usando
poblacin en lugar de slo valores muestrales:
Felicitaciones!
Sin ser consciente de ello, acaba de realizar su primera prueba
estadstica inferencial, la prueba Z. Como puede ver, no es tan
difcil de entender. Simplemente transformamos una media de
muestra para que pudiera compararse con todos los medios de
muestra posibles. Al hacerlo, podemos ver cmo "cae" en una
distribucin normal estndar de valores y calcular una
probabilidad de que esta puntuacin se produzca por
casualidad. Si cae demasiado lejos en las colas (es decir, ms
all del rea extrema del 5%), podemos concluir que no es
representativa de la poblacin.
LA PRUEBA DE LA HIPOTESIS