SlideShare una empresa de Scribd logo
[object Object]
POBLACIÓN Y MUESTRA .  ,[object Object],[object Object]
[object Object]
[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
POBLACION  total de elementos a los cuales se les aplicara los resultados.  Por ejemplo: los nacidos vivos durante un determinado tiempo en un país o ciudad;  o los niños que cursen 4° y 5° de primaria en escuelas públicas  de la ciudad de Neiva en un determinado año.
  MUESTRA   se define como el conjunto de objetos o sujetos procedentes de una población; en otras palabras un subgrupo de dicha  población. De una población se pueden seleccionar diferentes muestras.  
Las muestras,  pueden ser: REPRESENTATIVAS : cuando reflejan o representan las características de la población de donde provienen, por lo tanto los resultados son aplicables ó inferibles a dicha población. NO REPRESENTATIVAS :  son aquellas que no reflejan las características de la población, por lo tanto los resultados no son inferibles a la población .
[object Object],[object Object]
[object Object],[object Object]
[object Object],[object Object]
Lista de números aleatorios programa epi info 6 ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object]
[object Object],[object Object]
Previo a utilizar cualquier  método  para seleccionar las unidades de muestreo, cuando la muestra es probabilística, se debe calcular el tamaño muestral.    
Tamaño de muestra en los estudios descriptivos: n= Z 2  pq / {(e 2  + (Z 2  pq / N)} Z: equivale al nivel de confiabilidad de los datos, esta muy de acuerdo con el error de los datos que se acepte o sea el alfa o el beta. e: significa el error de muestreo, que tan representativa se desea la muestra.
[object Object],[object Object],[object Object],[object Object]
En los  ESTUDIOS ANALITICOS,  se necesitan conocer los siguientes datos:        Nivel de    (error I) dispuesto a tolerar.        Nivel de    (error II) dispuesto a tolerar.        Mínimo Riesgo Relativo (OR) considerado clínicamente útil de detectar.        Estimativo de la incidencia o de la prevalencia de la enfermedad y de la exposición.
Posibilidades al investigar hipótesis    Resultado del estudio   "Verdad"* Hipótesis alterna correcta Hipótesis nula correcta   Hipótesis alterna correcta   Verdadero positivo poder o sensibilidad del estudio   Falso positivo o error de tipo I     Hipótesis nula correcta     Falso negativo o error de tipo II   Verdadero negativo especificidad del estudio  
Muestras probabilísticas
  Es la más sencilla, solo el azar decide. Se utilizan los métodos de la lotería, ó los números aleatorios para seleccionar los elementos; las conclusiones pueden ser para toda la población si la muestra es representativa.    MUESTRA ALEATORIA SIMPLE
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],**  registros seleccionados al azar, por diferentes métodos Requiere tener un listado de los  elementos de la población o un mapa. 
En este tipo de muestreo, teniendo los datos del total de población (N) y el tamaño muestral (n) se obtiene el salto muestral que consiste en la comparación de estos dos valores (N / n).    MUESTRA SISTEMATICA
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Requiere tener un listado de los  elementos de la población o un mapa. 
[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],.
[object Object],MUESTRA ESTRATIFICADA :
[object Object],[object Object]
[object Object],[object Object],[object Object]
Los estratos son  "homogéneos" dentro de sí,  y "heterogéneos" entre sí.
[object Object],MUESTRA POR CONGLOMERADOS
Los conglomerados son  "homogéneos" entre sí,  y "heterogéneos" dentro de sí.
Se toma al azar una muestra de esos conglomerados. De cada uno de los conglomerados escogidos, se toman al azar los elementos de la muestra.
Muestras No probabilísticas
“ Las  muestras NO PROBABILÍSTICAS  o también llamadas dirigidas suponen un procedimiento de selección informal y un poco arbitrario”, son utilizadas en muchas investigaciones, sobretodo las que requieren la selección de sujetos con una determinada característica, especificadas en el planteamiento del problema.     
Muestras fortuitas, utilizadas con frecuencia en Medicina. Sujetos que acceden voluntariamente a participar en un estudio que monitorea los efectos de un medicamento.  No se puede inferir, ya que las características de los sujetos de la muestra pueden ser diferentes al total de la población.     MUESTRA DE SUJETOS  VOLUNTARIOS o de selección
Muestra fortuita, se selecciona de acuerdo a la intención del investigador por ejemplo estudios en pacientes hospitalizados, siempre que el hospital no atienda al total de la población.   MUESTRA POR CONVENIENCIA
De acuerdo a las definiciones del investigador se seleccionan los participantes, quienes cumplan con los requisitos pueden ser seleccionados.   MUESTRA POR CRITERIOS
La proporción de participantes en las encuestas lo decide el investigador de acuerdo, al comportamiento de ciertas variables demográficas en la población.  MUESTRA POR CUOTAS
Se le dice a un entrevistador que en la calle entreviste a 200 personas (50%) mujeres y (50%) hombres, ó proporciones iguales  por grupo etáreo. La decisión de quién participa es del entrevistador. MUESTRA POR CUOTAS
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
En la vida real se trabaja con una única muestra. Se debe  tener una idea de qué tanta variabilidad existe entre las diferentes muestras del mismo tamaño que se pueden sacar de esa población.
 
El Error Estándar (EE) es un estimativo de la variabilidad de las posibles muestras de  n  individuos que puedo sacar de  toda la población, calculado a partir de una sola muestra .
[object Object],[object Object],[object Object]
[object Object]

Más contenido relacionado

La actualidad más candente

Muestreo aleatorio simple
Muestreo aleatorio simpleMuestreo aleatorio simple
Muestreo aleatorio simple
Dyan Andres
 
La Muestra
La MuestraLa Muestra
La encuesta como método de investigación
La encuesta como método de investigaciónLa encuesta como método de investigación
La encuesta como método de investigaciónCarolina Monti
 
Tamaño de la muestra
Tamaño de la muestraTamaño de la muestra
Tamaño de la muestra
ALANIS
 
4. estadistica inferencial
4.  estadistica inferencial4.  estadistica inferencial
4. estadistica inferencialrbarriosm
 
Pruebas parametricas y no parametricas
Pruebas parametricas y no parametricasPruebas parametricas y no parametricas
Pruebas parametricas y no parametricas
Luisais Pire
 
Muestreo no probabilistico
Muestreo no probabilisticoMuestreo no probabilistico
Muestreo no probabilistico
Paulina Ramirez Corral
 
Muestreo2
Muestreo2Muestreo2
Muestreo2
AL Toke
 
diseños muestrales
diseños muestralesdiseños muestrales
diseños muestrales
Rodrigo Granados
 
PowerPoint - Tema: Prueba de Hipotesis
PowerPoint - Tema: Prueba de HipotesisPowerPoint - Tema: Prueba de Hipotesis
PowerPoint - Tema: Prueba de Hipotesis
Mauricio Gramajo Zoireff
 
Métodos estadísticos y tabulación
Métodos estadísticos y tabulaciónMétodos estadísticos y tabulación
Métodos estadísticos y tabulación
ALEXANDER CASTRILLO
 
Muestreo Probabilistico
Muestreo Probabilistico Muestreo Probabilistico
Muestreo Probabilistico
anthonymaule
 
Estadistica parametrica y no parametrica
Estadistica parametrica y no parametricaEstadistica parametrica y no parametrica
Estadistica parametrica y no parametrica
JorgeVillamizar12
 
Técnicas e Instrumentos de Recolección de Datos
Técnicas e Instrumentos de Recolección de DatosTécnicas e Instrumentos de Recolección de Datos
Técnicas e Instrumentos de Recolección de Datos
Universidad Pedagógica Experimental Libertador
 
Población y Muestra
Población y MuestraPoblación y Muestra
Población y Muestra
hector alexander
 
Tipos de muestreos
Tipos de muestreosTipos de muestreos
Tipos de muestreos
Joan Fernando Chipia Lobo
 
Diseño y procedimientos de muestreo
Diseño y procedimientos de muestreoDiseño y procedimientos de muestreo
Diseño y procedimientos de muestreo
orav Ayala Vera
 

La actualidad más candente (20)

Muestreo aleatorio simple
Muestreo aleatorio simpleMuestreo aleatorio simple
Muestreo aleatorio simple
 
La Muestra
La MuestraLa Muestra
La Muestra
 
La encuesta como método de investigación
La encuesta como método de investigaciónLa encuesta como método de investigación
La encuesta como método de investigación
 
Tamaño de la muestra
Tamaño de la muestraTamaño de la muestra
Tamaño de la muestra
 
4. estadistica inferencial
4.  estadistica inferencial4.  estadistica inferencial
4. estadistica inferencial
 
Muestra y Población
Muestra y PoblaciónMuestra y Población
Muestra y Población
 
Pruebas parametricas y no parametricas
Pruebas parametricas y no parametricasPruebas parametricas y no parametricas
Pruebas parametricas y no parametricas
 
Muestreo no probabilistico
Muestreo no probabilisticoMuestreo no probabilistico
Muestreo no probabilistico
 
Muestreo2
Muestreo2Muestreo2
Muestreo2
 
Investigacion descriptiva
Investigacion descriptivaInvestigacion descriptiva
Investigacion descriptiva
 
diseños muestrales
diseños muestralesdiseños muestrales
diseños muestrales
 
PowerPoint - Tema: Prueba de Hipotesis
PowerPoint - Tema: Prueba de HipotesisPowerPoint - Tema: Prueba de Hipotesis
PowerPoint - Tema: Prueba de Hipotesis
 
Métodos estadísticos y tabulación
Métodos estadísticos y tabulaciónMétodos estadísticos y tabulación
Métodos estadísticos y tabulación
 
Muestreo Probabilistico
Muestreo Probabilistico Muestreo Probabilistico
Muestreo Probabilistico
 
Estadistica parametrica y no parametrica
Estadistica parametrica y no parametricaEstadistica parametrica y no parametrica
Estadistica parametrica y no parametrica
 
Compara medias
Compara mediasCompara medias
Compara medias
 
Técnicas e Instrumentos de Recolección de Datos
Técnicas e Instrumentos de Recolección de DatosTécnicas e Instrumentos de Recolección de Datos
Técnicas e Instrumentos de Recolección de Datos
 
Población y Muestra
Población y MuestraPoblación y Muestra
Población y Muestra
 
Tipos de muestreos
Tipos de muestreosTipos de muestreos
Tipos de muestreos
 
Diseño y procedimientos de muestreo
Diseño y procedimientos de muestreoDiseño y procedimientos de muestreo
Diseño y procedimientos de muestreo
 

Destacado

Matriz de consistencia ppt
Matriz de consistencia pptMatriz de consistencia ppt
Matriz de consistencia ppt
María Luisa Romero Sáenz de Vásquez
 
Matriz de consistencia
Matriz de consistenciaMatriz de consistencia
Matriz de consistencia
Alejandro Pk
 
Matriz de consistencia
Matriz de consistenciaMatriz de consistencia
Matriz de consistencia
Mario Francisco Moreno Herrera
 

Destacado (6)

Matriz de consistencia ppt
Matriz de consistencia pptMatriz de consistencia ppt
Matriz de consistencia ppt
 
Matriz de consistencia
Matriz de consistenciaMatriz de consistencia
Matriz de consistencia
 
Matriz de consistencia ppt
Matriz de consistencia pptMatriz de consistencia ppt
Matriz de consistencia ppt
 
Matriz de consistencia
Matriz de consistenciaMatriz de consistencia
Matriz de consistencia
 
PoblacióN Y Muestra
PoblacióN Y MuestraPoblacióN Y Muestra
PoblacióN Y Muestra
 
Clase4 matriz de consistencia
Clase4 matriz de consistenciaClase4 matriz de consistencia
Clase4 matriz de consistencia
 

Similar a Poblaciön y muestra1

Teoria de muestreo y prueba de hipotesis
Teoria de muestreo y prueba de hipotesisTeoria de muestreo y prueba de hipotesis
Teoria de muestreo y prueba de hipotesisZully Vèlez
 
muestras_probabilisticas.pdf
muestras_probabilisticas.pdfmuestras_probabilisticas.pdf
muestras_probabilisticas.pdf
LuisQuinteroXimil
 
Distribución normal
Distribución normalDistribución normal
Distribución normalchillemi
 
EXPO 2- Describir vs. Inferir
EXPO 2- Describir vs. InferirEXPO 2- Describir vs. Inferir
EXPO 2- Describir vs. Inferir
Zoraida Pérez S.
 
VED. TEMA 3 (1).docx
VED. TEMA 3 (1).docxVED. TEMA 3 (1).docx
VED. TEMA 3 (1).docx
LourdesMolinaLpez
 
Muestreo.pdf
Muestreo.pdfMuestreo.pdf
Muestreo.pdf
SistemadeEstudiosMed
 
Estimar con estadística v1
Estimar con estadística v1Estimar con estadística v1
Estimar con estadística v1
Xavi Barber
 
Conceptos generales del muestreo del trabajo
Conceptos generales del muestreo del trabajoConceptos generales del muestreo del trabajo
Conceptos generales del muestreo del trabajo
Jesùs Lara Monroy
 
Topicos de Estadistica Inferencial II ccesa007
Topicos  de Estadistica Inferencial II ccesa007Topicos  de Estadistica Inferencial II ccesa007
Topicos de Estadistica Inferencial II ccesa007
Demetrio Ccesa Rayme
 
Willy valverde muestreo
Willy valverde   muestreoWilly valverde   muestreo
Willy valverde muestreo
lic willy Valverde
 
Distribuciones muestrales
Distribuciones muestralesDistribuciones muestrales
Distribuciones muestrales
Yerli Mariño
 
Muestreo técnicas de recolección
Muestreo técnicas de recolecciónMuestreo técnicas de recolección
Muestreo técnicas de recolección
Alejandra Camors
 
poblacion y muestra.ppt
poblacion y muestra.pptpoblacion y muestra.ppt
poblacion y muestra.ppt
MariajoseCreixellM
 
ObtenerArchivoRecurso.pptx
ObtenerArchivoRecurso.pptxObtenerArchivoRecurso.pptx
ObtenerArchivoRecurso.pptx
CHILONISPILCOELIO1
 
METODOS DE MUESTREO
METODOS DE MUESTREOMETODOS DE MUESTREO
METODOS DE MUESTREO
giselle Castillo
 
10° Población y Muestra.pptx
10° Población y Muestra.pptx10° Población y Muestra.pptx
10° Población y Muestra.pptx
NESTOREDGARDOVISLAOQ
 
Técnicas de muestreo
Técnicas de muestreoTécnicas de muestreo
Técnicas de muestreo
skchabelina
 
Estadística introducción
Estadística introducciónEstadística introducción
Estadística introducción
Andrea Landella
 

Similar a Poblaciön y muestra1 (20)

Teoria de muestreo y prueba de hipotesis
Teoria de muestreo y prueba de hipotesisTeoria de muestreo y prueba de hipotesis
Teoria de muestreo y prueba de hipotesis
 
muestras_probabilisticas.pdf
muestras_probabilisticas.pdfmuestras_probabilisticas.pdf
muestras_probabilisticas.pdf
 
Distribución normal
Distribución normalDistribución normal
Distribución normal
 
EXPO 2- Describir vs. Inferir
EXPO 2- Describir vs. InferirEXPO 2- Describir vs. Inferir
EXPO 2- Describir vs. Inferir
 
VED. TEMA 3 (1).docx
VED. TEMA 3 (1).docxVED. TEMA 3 (1).docx
VED. TEMA 3 (1).docx
 
Muestreo.pdf
Muestreo.pdfMuestreo.pdf
Muestreo.pdf
 
Estimar con estadística v1
Estimar con estadística v1Estimar con estadística v1
Estimar con estadística v1
 
Conceptos generales del muestreo del trabajo
Conceptos generales del muestreo del trabajoConceptos generales del muestreo del trabajo
Conceptos generales del muestreo del trabajo
 
Topicos de Estadistica Inferencial II ccesa007
Topicos  de Estadistica Inferencial II ccesa007Topicos  de Estadistica Inferencial II ccesa007
Topicos de Estadistica Inferencial II ccesa007
 
Willy valverde muestreo
Willy valverde   muestreoWilly valverde   muestreo
Willy valverde muestreo
 
Distribuciones muestrales
Distribuciones muestralesDistribuciones muestrales
Distribuciones muestrales
 
Muestreo técnicas de recolección
Muestreo técnicas de recolecciónMuestreo técnicas de recolección
Muestreo técnicas de recolección
 
Semana 2 1_
Semana 2 1_Semana 2 1_
Semana 2 1_
 
poblacion y muestra.ppt
poblacion y muestra.pptpoblacion y muestra.ppt
poblacion y muestra.ppt
 
ObtenerArchivoRecurso.pptx
ObtenerArchivoRecurso.pptxObtenerArchivoRecurso.pptx
ObtenerArchivoRecurso.pptx
 
Muestreo
MuestreoMuestreo
Muestreo
 
METODOS DE MUESTREO
METODOS DE MUESTREOMETODOS DE MUESTREO
METODOS DE MUESTREO
 
10° Población y Muestra.pptx
10° Población y Muestra.pptx10° Población y Muestra.pptx
10° Población y Muestra.pptx
 
Técnicas de muestreo
Técnicas de muestreoTécnicas de muestreo
Técnicas de muestreo
 
Estadística introducción
Estadística introducciónEstadística introducción
Estadística introducción
 

Último

INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTALINFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
CrystalRomero18
 
Estructuras básicas_ conceptos básicos de programación.pdf
Estructuras básicas_  conceptos básicos de programación.pdfEstructuras básicas_  conceptos básicos de programación.pdf
Estructuras básicas_ conceptos básicos de programación.pdf
ItsSofi
 
Trabajo Coding For kids 1 y 2 grado 9-4.pdf
Trabajo Coding For kids 1 y 2 grado 9-4.pdfTrabajo Coding For kids 1 y 2 grado 9-4.pdf
Trabajo Coding For kids 1 y 2 grado 9-4.pdf
cj3806354
 
Alan Turing Vida o biografía resumida como presentación
Alan Turing Vida o biografía resumida como presentaciónAlan Turing Vida o biografía resumida como presentación
Alan Turing Vida o biografía resumida como presentación
JuanPrez962115
 
trabajo de tecnologia, segundo periodo 9-6f
trabajo de tecnologia, segundo periodo 9-6ftrabajo de tecnologia, segundo periodo 9-6f
trabajo de tecnologia, segundo periodo 9-6f
zoecaicedosalazar
 
Estructuras Básicas_ Conceptos Basicos De Programacion.pdf
Estructuras Básicas_ Conceptos Basicos De Programacion.pdfEstructuras Básicas_ Conceptos Basicos De Programacion.pdf
Estructuras Básicas_ Conceptos Basicos De Programacion.pdf
IsabellaRubio6
 
DESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
DESARROLO DE HABILIDADES DE PENSAMIENTO.pdfDESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
DESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
marianabz2403
 
Conceptos Básicos de Programación Proyecto
Conceptos Básicos de Programación ProyectoConceptos Básicos de Programación Proyecto
Conceptos Básicos de Programación Proyecto
cofferub
 
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...
Telefónica
 
3Redu: Responsabilidad, Resiliencia y Respeto
3Redu: Responsabilidad, Resiliencia y Respeto3Redu: Responsabilidad, Resiliencia y Respeto
3Redu: Responsabilidad, Resiliencia y Respeto
cdraco
 
Posnarrativas en la era de la IA generativa
Posnarrativas en la era de la IA generativaPosnarrativas en la era de la IA generativa
Posnarrativas en la era de la IA generativa
Fernando Villares
 
leidy fuentes - power point -expocccion -unidad 4 (1).pptx
leidy fuentes - power point -expocccion -unidad 4 (1).pptxleidy fuentes - power point -expocccion -unidad 4 (1).pptx
leidy fuentes - power point -expocccion -unidad 4 (1).pptx
Leidyfuentes19
 
biogas industrial para guiarse en proyectos
biogas industrial para guiarse en proyectosbiogas industrial para guiarse en proyectos
biogas industrial para guiarse en proyectos
Luis Enrique Zafra Haro
 
EduFlex, una educación accesible para quienes no entienden en clases
EduFlex, una educación accesible para quienes no entienden en clasesEduFlex, una educación accesible para quienes no entienden en clases
EduFlex, una educación accesible para quienes no entienden en clases
PABLOCESARGARZONBENI
 
(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informática
(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informática(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informática
(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informática
vazquezgarciajesusma
 
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdfTRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
thomasdcroz38
 
Trabajo Coding For kids 1 y 2 grado 9-4.pdf
Trabajo Coding For kids 1 y 2 grado 9-4.pdfTrabajo Coding For kids 1 y 2 grado 9-4.pdf
Trabajo Coding For kids 1 y 2 grado 9-4.pdf
jjfch3110
 
Inteligencia Artificial y Ciberseguridad.pdf
Inteligencia Artificial y Ciberseguridad.pdfInteligencia Artificial y Ciberseguridad.pdf
Inteligencia Artificial y Ciberseguridad.pdf
Emilio Casbas
 
Diagrama de flujo - ingenieria de sistemas 5to semestre
Diagrama de flujo - ingenieria de sistemas 5to semestreDiagrama de flujo - ingenieria de sistemas 5to semestre
Diagrama de flujo - ingenieria de sistemas 5to semestre
DiegoCampos433849
 
ACTIVIDAD DE TECNOLOGÍA AÑO LECTIVO 2024
ACTIVIDAD DE TECNOLOGÍA AÑO LECTIVO 2024ACTIVIDAD DE TECNOLOGÍA AÑO LECTIVO 2024
ACTIVIDAD DE TECNOLOGÍA AÑO LECTIVO 2024
DanielErazoMedina
 

Último (20)

INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTALINFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
 
Estructuras básicas_ conceptos básicos de programación.pdf
Estructuras básicas_  conceptos básicos de programación.pdfEstructuras básicas_  conceptos básicos de programación.pdf
Estructuras básicas_ conceptos básicos de programación.pdf
 
Trabajo Coding For kids 1 y 2 grado 9-4.pdf
Trabajo Coding For kids 1 y 2 grado 9-4.pdfTrabajo Coding For kids 1 y 2 grado 9-4.pdf
Trabajo Coding For kids 1 y 2 grado 9-4.pdf
 
Alan Turing Vida o biografía resumida como presentación
Alan Turing Vida o biografía resumida como presentaciónAlan Turing Vida o biografía resumida como presentación
Alan Turing Vida o biografía resumida como presentación
 
trabajo de tecnologia, segundo periodo 9-6f
trabajo de tecnologia, segundo periodo 9-6ftrabajo de tecnologia, segundo periodo 9-6f
trabajo de tecnologia, segundo periodo 9-6f
 
Estructuras Básicas_ Conceptos Basicos De Programacion.pdf
Estructuras Básicas_ Conceptos Basicos De Programacion.pdfEstructuras Básicas_ Conceptos Basicos De Programacion.pdf
Estructuras Básicas_ Conceptos Basicos De Programacion.pdf
 
DESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
DESARROLO DE HABILIDADES DE PENSAMIENTO.pdfDESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
DESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
 
Conceptos Básicos de Programación Proyecto
Conceptos Básicos de Programación ProyectoConceptos Básicos de Programación Proyecto
Conceptos Básicos de Programación Proyecto
 
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...
 
3Redu: Responsabilidad, Resiliencia y Respeto
3Redu: Responsabilidad, Resiliencia y Respeto3Redu: Responsabilidad, Resiliencia y Respeto
3Redu: Responsabilidad, Resiliencia y Respeto
 
Posnarrativas en la era de la IA generativa
Posnarrativas en la era de la IA generativaPosnarrativas en la era de la IA generativa
Posnarrativas en la era de la IA generativa
 
leidy fuentes - power point -expocccion -unidad 4 (1).pptx
leidy fuentes - power point -expocccion -unidad 4 (1).pptxleidy fuentes - power point -expocccion -unidad 4 (1).pptx
leidy fuentes - power point -expocccion -unidad 4 (1).pptx
 
biogas industrial para guiarse en proyectos
biogas industrial para guiarse en proyectosbiogas industrial para guiarse en proyectos
biogas industrial para guiarse en proyectos
 
EduFlex, una educación accesible para quienes no entienden en clases
EduFlex, una educación accesible para quienes no entienden en clasesEduFlex, una educación accesible para quienes no entienden en clases
EduFlex, una educación accesible para quienes no entienden en clases
 
(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informática
(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informática(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informática
(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informática
 
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdfTRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
 
Trabajo Coding For kids 1 y 2 grado 9-4.pdf
Trabajo Coding For kids 1 y 2 grado 9-4.pdfTrabajo Coding For kids 1 y 2 grado 9-4.pdf
Trabajo Coding For kids 1 y 2 grado 9-4.pdf
 
Inteligencia Artificial y Ciberseguridad.pdf
Inteligencia Artificial y Ciberseguridad.pdfInteligencia Artificial y Ciberseguridad.pdf
Inteligencia Artificial y Ciberseguridad.pdf
 
Diagrama de flujo - ingenieria de sistemas 5to semestre
Diagrama de flujo - ingenieria de sistemas 5to semestreDiagrama de flujo - ingenieria de sistemas 5to semestre
Diagrama de flujo - ingenieria de sistemas 5to semestre
 
ACTIVIDAD DE TECNOLOGÍA AÑO LECTIVO 2024
ACTIVIDAD DE TECNOLOGÍA AÑO LECTIVO 2024ACTIVIDAD DE TECNOLOGÍA AÑO LECTIVO 2024
ACTIVIDAD DE TECNOLOGÍA AÑO LECTIVO 2024
 

Poblaciön y muestra1

  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7. POBLACION total de elementos a los cuales se les aplicara los resultados. Por ejemplo: los nacidos vivos durante un determinado tiempo en un país o ciudad; o los niños que cursen 4° y 5° de primaria en escuelas públicas de la ciudad de Neiva en un determinado año.
  • 8.   MUESTRA se define como el conjunto de objetos o sujetos procedentes de una población; en otras palabras un subgrupo de dicha población. De una población se pueden seleccionar diferentes muestras.  
  • 9. Las muestras, pueden ser: REPRESENTATIVAS : cuando reflejan o representan las características de la población de donde provienen, por lo tanto los resultados son aplicables ó inferibles a dicha población. NO REPRESENTATIVAS : son aquellas que no reflejan las características de la población, por lo tanto los resultados no son inferibles a la población .
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16. Previo a utilizar cualquier método para seleccionar las unidades de muestreo, cuando la muestra es probabilística, se debe calcular el tamaño muestral.    
  • 17. Tamaño de muestra en los estudios descriptivos: n= Z 2 pq / {(e 2 + (Z 2 pq / N)} Z: equivale al nivel de confiabilidad de los datos, esta muy de acuerdo con el error de los datos que se acepte o sea el alfa o el beta. e: significa el error de muestreo, que tan representativa se desea la muestra.
  • 18.
  • 19. En los ESTUDIOS ANALITICOS, se necesitan conocer los siguientes datos:        Nivel de  (error I) dispuesto a tolerar.        Nivel de  (error II) dispuesto a tolerar.        Mínimo Riesgo Relativo (OR) considerado clínicamente útil de detectar.        Estimativo de la incidencia o de la prevalencia de la enfermedad y de la exposición.
  • 20. Posibilidades al investigar hipótesis   Resultado del estudio "Verdad"* Hipótesis alterna correcta Hipótesis nula correcta   Hipótesis alterna correcta   Verdadero positivo poder o sensibilidad del estudio   Falso positivo o error de tipo I     Hipótesis nula correcta   Falso negativo o error de tipo II   Verdadero negativo especificidad del estudio  
  • 22.   Es la más sencilla, solo el azar decide. Se utilizan los métodos de la lotería, ó los números aleatorios para seleccionar los elementos; las conclusiones pueden ser para toda la población si la muestra es representativa.    MUESTRA ALEATORIA SIMPLE
  • 23.
  • 24. En este tipo de muestreo, teniendo los datos del total de población (N) y el tamaño muestral (n) se obtiene el salto muestral que consiste en la comparación de estos dos valores (N / n).   MUESTRA SISTEMATICA
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32. Los estratos son "homogéneos" dentro de sí, y "heterogéneos" entre sí.
  • 33.
  • 34. Los conglomerados son "homogéneos" entre sí, y "heterogéneos" dentro de sí.
  • 35. Se toma al azar una muestra de esos conglomerados. De cada uno de los conglomerados escogidos, se toman al azar los elementos de la muestra.
  • 37. “ Las muestras NO PROBABILÍSTICAS o también llamadas dirigidas suponen un procedimiento de selección informal y un poco arbitrario”, son utilizadas en muchas investigaciones, sobretodo las que requieren la selección de sujetos con una determinada característica, especificadas en el planteamiento del problema.    
  • 38. Muestras fortuitas, utilizadas con frecuencia en Medicina. Sujetos que acceden voluntariamente a participar en un estudio que monitorea los efectos de un medicamento. No se puede inferir, ya que las características de los sujetos de la muestra pueden ser diferentes al total de la población.     MUESTRA DE SUJETOS VOLUNTARIOS o de selección
  • 39. Muestra fortuita, se selecciona de acuerdo a la intención del investigador por ejemplo estudios en pacientes hospitalizados, siempre que el hospital no atienda al total de la población.   MUESTRA POR CONVENIENCIA
  • 40. De acuerdo a las definiciones del investigador se seleccionan los participantes, quienes cumplan con los requisitos pueden ser seleccionados.   MUESTRA POR CRITERIOS
  • 41. La proporción de participantes en las encuestas lo decide el investigador de acuerdo, al comportamiento de ciertas variables demográficas en la población. MUESTRA POR CUOTAS
  • 42. Se le dice a un entrevistador que en la calle entreviste a 200 personas (50%) mujeres y (50%) hombres, ó proporciones iguales por grupo etáreo. La decisión de quién participa es del entrevistador. MUESTRA POR CUOTAS
  • 43.
  • 44. En la vida real se trabaja con una única muestra. Se debe tener una idea de qué tanta variabilidad existe entre las diferentes muestras del mismo tamaño que se pueden sacar de esa población.
  • 45.  
  • 46. El Error Estándar (EE) es un estimativo de la variabilidad de las posibles muestras de n individuos que puedo sacar de toda la población, calculado a partir de una sola muestra .
  • 47.
  • 48.