La ecuación de confianza (de Charles Green) es probablemente nuestro modelo de confianza favorito. Detalla cuatro componentes que afectan la confianza. Tres de ellos aumentan la confiabilidad de una persona: credibilidad, confiabilidad e intimidad. El cuarto, interés propio, reduce la confiabilidad de una persona.
Realmente nos gusta este modelo porque creemos que es claro, simple y relatable y porque proporciona una guía clara sobre cómo ser más confiables como individuo.
La credibilidad tiene que ver con nuestra base de conocimiento y las palabras que hablamos. ¿Estamos conocedores de nuestro sujeto? ¿Podemos hacer una copia de seguridad de nuestras palabras con conocimiento y experiencia subyacentes?
Podemos aumentar nuestra credibilidad aumentando nuestra experiencia, al estar abiertos sobre nuestra experiencia y limitar nuestro paso de juicio a las áreas en las que somos capaces.
La fiabilidad tiene que ver con nuestras acciones. ¿Podemos depender de nosotros? ¿Hacemos lo que dijimos que haríamos? ¿Lo hacemos cuando dijimos que lo haríamos y a la calidad que dijimos que lograríamos?
Podemos aumentar nuestra confiabilidad haciendo lo que hemos dicho que haríamos. Hay dos raíces en esto. O bien, aumentamos nuestra entrega para asegurarnos de que siempre hacemos las cosas, o ajustamos nuestro compromiso. Podemos ajustar nuestro compromiso siendo mejor para decir no a las cosas, para que solo nos comprometamos con cosas que realmente entregaremos.
La intimidad en la ecuación de la confianza tiene que ver con lo seguros que nos sentimos al confiar a alguien información personal, particularmente sobre nuestras dudas e inseguridades. Es un vistazo detrás de la cortina de la vida. Es un hecho ligeramente extraño de la vida humana que cuanto más sentimos que sabemos sobre alguien, sobre «quiénes son realmente», entonces más confiable creemos que son. La intimidad está relacionada con nuestra disposición a compartir nuestra vulnerabilidad con las personas.
¿Cómo calcular el 95% de confianza?
Aquí observamos algunos ejemplos de cálculo de intervalos de confianza. los
Los ejemplos son para distribuciones normales y t. Asumimos que tu
puede ingresar datos y conocer los comandos asociados con BASIC
probabilidad. Tenga en cuenta que una forma más fácil de calcular los intervalos de confianza
El uso del comando T.Test se discute en la sección de la manera fácil.
Aquí veremos un ejemplo ficticio. Haremos algunos
suposiciones de lo que podríamos encontrar en un experimento y encontrar el
intervalo de confianza resultante utilizando una distribución normal. Aquí nosotros
Suponga que la media de la muestra es 5, la desviación estándar es 2 y la
El tamaño de la muestra es 20. En el siguiente ejemplo, usaremos una confianza del 95%
nivel y deseo encontrar el intervalo de confianza. Los comandos para encontrar
El intervalo de confianza en R es el siguiente:
Nuestro nivel de certeza sobre la media verdadera es del 95% en la predicción de que el
La media verdadera está dentro del intervalo
entre 4.12 y 5.88 suponiendo que la variable aleatoria original es
normalmente distribuido, y las muestras son independientes.
Calcular el intervalo de confianza cuando se usa una prueba t es similar a
usando una distribución normal. La única diferencia es que usamos el
comando asociado con la distribución t en lugar de la normal
distribución. Aquí repitimos los procedimientos anteriores, pero asumiremos
que estamos trabajando con una desviación estándar de muestra en lugar de una
desviación estándar exacta.
¿Cómo se calcula el intervalo de confianza al 95%?
El intervalo de confianza del 95% es un rango de valores que puede tener un 95% de confianza en que contiene la verdadera media de la población. Debido a la variabilidad de muestreo natural, la media de muestra (centro del IC) variará de una muestra a otra.
La confianza está en el método, no en un IC en particular. Si repitiéramos el método de muestreo muchas veces, aproximadamente el 95% de los intervalos construidos capturarían la media de la población verdadera.
Por lo tanto, a medida que aumenta el tamaño de la muestra, el rango de los valores de intervalo se reducirá, lo que significa que sabe que significa con mucha más precisión en comparación con una muestra más pequeña.
Por ejemplo,
La probabilidad de que el valor medio de la población sea entre -1.96 y +1.96 desviaciones estándar (puntajes Z) de la media de la muestra es del 95%.
En consecuencia, existe una posibilidad del 5% de que la media de la población se encuentre fuera del intervalo de confianza superior e inferior (como lo ilustra el 2.5% de los valores atípicos a cada lado de las puntuaciones Z 1.96).
Es más o menos imposible estudiar a cada persona en una población para que los investigadores seleccionen una muestra o un subgrupo de la población.
Esto significa que el investigador solo puede estimar los parámetros (es decir, características) de una población, el rango estimado se calcula a partir de un conjunto dado de datos de muestra.
Por lo tanto,
Un intervalo de confianza es simplemente una forma de medir qué tan bien su muestra representa la población que está estudiando.
La probabilidad de que el intervalo de confianza incluya el verdadero valor medio dentro de una población se denomina nivel de confianza del IC.
¿Cuando el nivel de confianza es del 95% el nivel de significancia es?
El objetivo de estimar un nivel de significancia es responder una pregunta que se hace sobre los datos, como, ¿funciona este tratamiento? Las pruebas estadísticas se utilizan en circunstancias en las que no se puede establecer una respuesta inequívoca. Si las células siempre mueren cuando se corta el oxígeno, no necesitamos una prueba estadística para establecer que requieren oxígeno para vivir. La significación estadística dice algo como: «Las probabilidades son bastante buenas de que este tratamiento sea efectivo». Sin embargo, nunca dará un sí o no inequívoco.
Medidas de importancia probabilidades aproximadas asociadas con los resultados. Por lo general, no son probabilidades exactas, sino solo estimaciones. Se pueden considerar como marcadores o indicadores, ya que la temperatura es un marcador para la infección.
El valor p es la medida de importancia más promocionada. Da información crucial, pero ciertamente no cuenta toda la historia. El valor p estima α, la probabilidad de falsos positivos, pero no aborda β, la probabilidad de un falso negativo.
Otras estadísticas calculadas a partir de datos que tienen pruebas que proporcionan niveles de significancia son intervalos de confianza, coeficientes de correlación, índices, etc. Cualquier prueba de una estadística produce un nivel de significancia.
Un usuario a menudo pregunta informalmente solo si dos muestras son diferentes, una simplificación excesiva que causa confusión. Un nivel de significancia está influenciado por la forma de análisis y supuestos subyacentes. Por ejemplo, una prueba t de dos muestras y una prueba de suma de rango que compara las mismas dos muestras producirán diferentes niveles de significancia. La diferencia ocurre porque los niveles se calculan a partir de diferentes distribuciones de probabilidad. Debería ser así, porque básicamente las preguntas redactadas con precisión que las dos pruebas están respondiendo son diferentes. La prueba t pregunta si las medias de las dos muestras, extraídas al azar de las distribuciones normales con las mismas variaciones, son diferentes, mientras que la prueba de suma de rango pregunta si el orden de rango de una observación dibujada al azar de una distribución precede al orden de rango de Una observación extraída al azar de la otra distribución.
Artículos Relacionados:
