Las fórmulas clásicas para determinar ‘n’, el tamaño de la muestra son los siguientes: para poblaciones ‘infinitas’ (más de 100,000 personas o elementos): para poblaciones ‘finitas’ (menos de 100,000 personas o elementos):
El universo terminado es el que se define y limita el número de unidades de información. Por ejemplo, la ‘escuela’ mencionada anteriormente es un universo terminado, ya que en este caso el número de unidades de información, o los estudiantes, está definido y limitado, o 5000.
Una muestra representativa refleja, de la manera más precisa, un grupo más grande. Por lo tanto, podemos solicitar, por ejemplo, una encuesta en línea a una muestra que intenta ser la más representativa de nuestra población objetivo.
Por ejemplo, la población estadística que nos dice el número de árboles en una ciudad ha terminado. Es cierto que puede variar con el tiempo, pero en un instante dado está terminado, tiene un final. Población estadística infinita: esta es esa población que no tiene fin.
El universo es todo lo que podemos tocar, sentir, percibir, medir o detectar. Incluye seres vivos, planetas, estrellas, galaxias, nubes de polvo, luz e incluso tiempo. Antes del nacimiento del universo, no había tiempo, espacio o materia.
La población se refiere al universo, juntos o todos los elementos en los que se estudian los estudios. La muestra es una parte o subconjunto de elementos seleccionados previamente por una población para realizar un estudio.
¿Qué es la población finita o infinita?
En la muestra tienes una población finita. Un método de modelado estipula que la población finita proviene de una población infinita teórica. Esta población imaginaria se conoce como un modelo de superpoblación. Por otro lado, al elegir una muestra aleatoria (no de una población finita), se considera una muestra aleatoria de una población infinita. Por lo tanto, el término población infinita se refiere a muestras ordinarias, y la superpoblación se refiere a la situación en la que se toma la muestra de una población finita.
En el área de las estadísticas ecológicas (por ejemplo, Mark Recapture), a menudo tenemos una larga serie de datos en los que las personas solo pueden estar expuestas a parte de toda la serie temporal. En este contexto, podemos considerar a cualquier individuo expuesto a un muestreo en el curso del experimento, una medida que llamamos una superpoblación. Esto difiere de la población en cierto punto en el tiempo, es decir, el número total de personas que estuvieron expuestas a muestras en este momento. Ambas definiciones de una población son finitas.
Por cierto, utilicé el término «muestra» porque la heterogeneidad de la población en la ecología a menudo es más la regla que la excepción. Puede haber subpoblaciones que se comporten de manera diferente y eviten completamente el reconocimiento a través de nuestras técnicas de encuesta. Por lo tanto, estas personas no forman parte de nuestra definición de población estadística.
Una población innumerable (o al menos no se cuenta con las yemas de los dedos) se conoce como «población infinita», por ejemplo, el número de glóbulos rojos en la sangre o el número de bacterias infecciosas en el cuerpo de un paciente.
¿Qué es la población finita e infinita?
Cuando se observa un solo fenómeno, para estudiar el fenómeno colectivo relativo, el objeto de observación es la unidad estadística.
También se habla del conjunto de todas las unidades estadísticas sujetas al estudio que se llama población o colectivo estadístico.
Cualquier conjunto de objetos o individuos que constituyan un fenómeno colectivo.
Al definir exactamente una población, es importante establecer espacio y tiempo, es decir, el área geográfica y la interpertela del tiempo al que se refiere el estudio.
Una investigación estadística es el estudio de un fenómeno colectivo realizado a través de la recopilación de datos que luego se desarrollan adecuadamente.
Según ISTAT, las fases en las que se divide una investigación estadística son siete:
1- Diseño. En esta fase se definen los objetivos de la investigación y el fenómeno se modela de la manera más simple posible, pero sin trivializarla.
La población de referencia y las unidades estadísticas a lograr se identifican, por lo tanto, se planifican los tiempos y costos de realización de toda la investigación.
El costo es un bono fundamental, decisivo para decidir si la investigación se referirá a toda la población de referencia o simplemente una parte.
2- Detección. Se trata del conjunto de operaciones necesarias para recopilar información sobre las unidades estadísticas sujetas a análisis. En esta etapa, la información necesaria para la investigación se encuentra siguiendo una de las técnicas de recopilación de datos.
3-Registación. En esta etapa, los datos recopilados en la fase anterior se transfieren a soporte de TI, para que puedan procesarse.
4- Revisión y codificación. En general, los datos ingresados en la fase de registro tienen errores e inconsistencias que deben ser correctas. En cambio, la codificación se refiere a la atribución de códigos numéricos a las diversas respuestas.
5-ELABORACIÓN. Se trata de la definición de tablas e indicadores estadísticos dirigidos a la síntesis e interpretación de los datos recopilados y, en consecuencia, del fenómeno analizado.
6-Validación. Se trata de evaluar si la información puede considerarse consonante a los fines para los que se produjo.
7-Difusión de resultados. En esta última fase, los resultados obtenidos están disponibles para los usos finales.
Los resultados se pueden distribuir directamente del fabricante de la investigación o mediante la participación de otros canales.
La investigación estadística puede verse como un flujo de información que circula entre los actores principales: el elemento clave es el cuestionario, una herramienta de comunicación que fácilmente las interacciones entre «los tres R», es decir, investigador, detector y respuesta.
El cliente hace sus solicitudes. El investigador diseña la investigación y el cuestionario, que transmite al detector. Estos administran el cuestionario al encuestado que a su vez proporcionará todos los datos necesarios para la investigación. El investigador utilizará los datos recopilados para el procesamiento y los preparativos de los resultados, que luego se comunicarán con los informes al cliente.
¿Cómo saber si el tamaño de la muestra es finita o infinita?
¿Cuál es la diferencia entre una población finita y una infinita: cuando está diseñando un experimento (muestra/potencia e interpretación de los resultados)?
Digamos que una empresa tiene una base de datos de 20,000 clientes. Dado que una respuesta a algún estímulo es relativamente pequeña, y una diferencia mínima detectable significativa también es pequeña, si realiza un análisis de potencia para una proporción de muestra de 2, puede encontrar que necesita 2 grupos de 15,000 para el experimento.
¿Dejas y dices que no puedes experimentar en esta población? ¿O (de alguna manera) trata a la población como finita y realiza un análisis de energía de esa manera? ¿Cuáles son las implicaciones?
Lo que me gustaría saber, y quería agregar este detalle en caso de que la última parte de la pregunta no fuera completamente clara, es lo que es la diferencia entre
La inferencia de asumir una población infinita, digamos la inferencia de un modelo de regresión logística con glm () en R.
La inferencia de asumir una población finita, digamos la inferencia de un modelo de regresión logística con SVYGLM en R?
¿El número 1 permitirá inferencia sobre el proceso de generación de población / datos más amplio y el n. ° 2 solo permitirá inferencia sobre esa población en particular (que se supone fija)?
Puede hacer el análisis de energía asumiendo una población finita. Debido a que la varianza de la estimación va a $ 0 $ a medida que el tamaño de la muestra se acerca al tamaño de la población, esto hace una gran diferencia. La varianza de una proporción binomial basada en el supuesto de población infinita sería $$ P (1-P)/N $$ donde $ N $ es el tamaño de la muestra. Pero si el tamaño de la población es $ N $ será $$ [P (1-P)/N] [1-N/N]. $$ el factor de corrección de la población finito, $ (1-n/n) $, hará que se vaya a $ 0 $ como $ n $ se acerca $ n $ en lugar de ser $ p (1-p)/n $ que obtendría para una sola proporción asumiendo una población infinita. Para su problema de dos muestras, la fórmula es un poco más complicada, pero la idea es la misma.
¿Cómo saber si una muestra es finita o infinita?
Si entiendo correctamente cuando hay $ lim_ (x-> 0) f (x) $ el orden de infinito se obtiene resolviendo $ lim_ (x-> 0) f (x)/(1/x^a) $ que debe estar terminado y diferente de 0
Si, por otro lado, es $ lim_ (x-> oo) f (x) $ el orden de infinito se obtiene resolviendo $ lim_ (x-> 0) f (x)/x^a $ que debe ser Terminado y diferente de 0. En este punto, sin embargo, ya tengo dudas es indiferente de que el límite tiende a +oo o a -oo y, por lo tanto, siempre proceda de la misma manera o de manera diferente dependiendo de la marca. ¿O depende de $ f (x) $? ¿Y si por ejemplo, en qué casos?
Ahora, si este es el método, no debería haber problemas para funciones simples, en su lugar tengo algunos problemas con las funciones trigonométricas, por ejemplo:
$ lim_ (x-> 0) sen (x) $ —> $ lim_ (x-> 0) (x^a)*sen (x) $ ¿Cómo encuentro el orden del infinito? Lo mismo si hubiera sido $ cos (x) $ o $ tan (x) $. Quizás en el caso de $ senx $ y $ tant $ es a = -1 para rastrear el límite notable, pero ¿se puede hacer? ¿Hay también órdenes de infinito negativo? Y en cualquier caso siempre sigue siendo el caso de $ cosx $
Prácticamente cuando me encuentro x^a que multiplique una función trigonométrica o un logaritmo, no sé cómo realizarlo si no encuentro el límite relativo notable, de hecho, debería realizar tal ejercicio
$ lim_ (x-> 0) log [1+sqrt (3x)]*tan (2x) $ —> $ lim_ (x-> 0) {log [1+sqrt (3x)]*tan (2x) }/(1/x^a) $ —> $ lim_ (x-> 0) (x^a)*log [1+sqrt (3x)]*tan (2x) $ en este punto no lo hago Sabe más, ¿cómo encuentro el orden de Infinito?
Esto está bien, de hecho, pensar en ello, si no tiende a infinito, es absurdo tener que calcular qué tan rápido tiende a infinito…
¿Cómo saber si la muestra es grande o pequeña?
Nota: Algunas de las declaraciones en el texto a continuación se disputan. Para un pequeño tamaño de muestra, las pruebas no paramétricas como la prueba U de Mann-Whitney o la prueba de suma de rango Wilcoxon podrían usarse que una prueba t.
La prueba T es la prueba paramétrica más potente para calcular la importancia de una media de muestra pequeña.
Una prueba t de una muestra tiene la siguiente hipótesis nula:
donde la letra griega μ { displaystyle mu} (mu) representa la media de la población y C representa su valor asumido (hipotetizado). En estadísticas es habitual emplear letras griegas para parámetros de población y letras romanas para estadísticas de muestra. La prueba t es el pequeño análogo de muestra de la prueba Z que es adecuada para muestras grandes. Una pequeña muestra generalmente se considera una de tamaño N <30.
Una prueba t es necesaria para muestras pequeñas porque sus distribuciones no son normales. Si la muestra es grande (n> = 30), la teoría estadística dice que la media de la muestra normalmente se distribuye y se puede usar una prueba z para una sola media. Este es el resultado de un famoso teorema estadístico, el teorema del límite central.
Sin embargo, una prueba t todavía se puede aplicar a muestras más grandes y a medida que el tamaño de la muestra N crece cada vez más, los resultados de una prueba t y una prueba Z se acercan cada vez más. En el límite, con grados infinitos de libertad, los resultados de las pruebas T y Z se vuelven idénticas.
Para realizar una prueba t, uno primero tiene que calcular los «grados de libertad». Esta cantidad tiene en cuenta el tamaño de la muestra y el número de parámetros que se están estimando. Aquí, el parámetro de la población, MU está siendo estimado por el estadístico de muestra X-bar, la media de los datos de la muestra. Para una prueba t, los grados de libertad de la media
N-1. Esto se debe a que solo un parámetro de población (la media de la población) está siendo estimado por un estadístico de muestra (la media de muestra).
¿Cómo calcular la muestra ajustada?
El desarrollo de una visión patentada a menudo requiere hacer una investigación primaria. A menudo se nos pregunta cómo determinamos el tamaño de la muestra necesario para dicha investigación.
Los tamaños de muestra más grandes generalmente requieren un mayor costo. Por lo tanto, queremos usar el tamaño mínimo de muestra que proporcionará una respuesta útil. Cuando los costos de estar equivocados son muy altos, puede valer la pena el costo de un tamaño de muestra grande para lograr una confianza muy alta en la respuesta. Por ejemplo, si un cliente está considerando una inversión de $ 400 millones cuyo éxito depende del verdadero valor de una variable en particular, es probable que esté dispuesta a gastar una cantidad justa para tener una confianza en una estimación de esa variable.
En otros casos, los límites de los recursos disponibles pueden requerir tamaños de muestra más pequeños. Sin embargo, cuando sabemos muy poco para comenzar, incluso una muestra relativamente pequeña puede lograr reducciones significativas en la incertidumbre. Esta reducción en la incertidumbre puede valer mucho más que el costo de obtener una muestra modesta.
Esta publicación se pretende como un recordatorio y referencia para las personas que han tenido una exposición previa a las estadísticas, tal vez tiene parte de un curso de estadísticas en la universidad o en la escuela de posgrado. Asume una comprensión básica de conceptos estadísticos como media, muestra, población, desviación estándar y distribuciones normales.
¿Cuándo se ajusta una muestra?
Al calcular un tamaño de muestra, es posible que necesitemos ajustar nuestros cálculos debido a múltiples comparaciones primarias o para la no adherencia a la terapia o considerar la tasa de abandono anticipada.
- Si hay más de una variable de resultado primaria (por ejemplo, resultados co-primos) o más de una comparación primaria (por ejemplo, 3 grupos de tratamiento), entonces el nivel de significancia debe ajustarse para tener en cuenta las comparaciones múltiples para no inflar la tasa general de falsos positivos.
Por ejemplo, suponga que un ensayo clínico involucrará a dos grupos de tratamiento y un grupo de placebo. El investigador puede decidir que hay dos comparaciones principales de interés, a saber, cada grupo de tratamiento en comparación con el placebo. El ajuste más simple al nivel de significancia para cada prueba es la corrección de Bonferroni, que usa ( dfrac { alpha} {2} ) en lugar de ( alpha ).
En general, si hay K comparaciones de interés primario, entonces la corrección de Bonferroni es utilizar un nivel de significancia de ( dfrac { alpha} {k} ) para cada una de las comparaciones K. La corrección de Bonferroni no es el ajuste de comparación múltiple más poderoso o más sofisticado, pero es un enfoque conservador y fácil de aplicar.
En el caso de múltiples puntos finales primarios, un ajuste al nivel de significancia puede no ser necesario, dependiendo de cómo el investigador planea interpretar los resultados. Por ejemplo, suponga que hay dos variables de resultado primarias. Si el investigador planea reclamar «éxito del ensayo» si cualquier punto final produce un efecto de tratamiento estadísticamente significativo, entonces se justifica un ajuste al nivel de significación. Si el investigador planea reclamar «éxito del ensayo» solo si ambos puntos finales producen efectos de tratamiento estadísticamente significativos, entonces no es necesario un ajuste al nivel de significancia. Por lo tanto, un ajuste al nivel de significancia en presencia de múltiples puntos finales primarios depende de si es una situación «o» o «y».
¿Cómo se calcula la muestra aleatoria?
En la sección anterior, tuvimos que hacer algunos supuestos bastante restrictivos (normalidad, media conocida, varianza conocida) para hacer inferencias estadísticas. Ahora exploramos la conexión entre muestras y poblaciones un poco más de cerca para que podamos sacar conclusiones utilizando menos supuestos.
Recuerde que la población es la colección completa de objetos bajo consideración, mientras que la muestra es un subconjunto (aleatorio) de la población. Estamos particularmente interesados en hacer inferencias estadísticas no solo sobre valores en la población, denotados y, sino también sobre medidas resumidas numéricas, como la media de la población, denotada e (y), estas medidas resumidas de la población se denominan parámetros. Si bien se desconocen los parámetros de población (en el sentido de que no tenemos todos los valores de la población individual y, por lo tanto, no podemos calcularlos), podemos calcular cantidades similares en la muestra, como la media de la muestra: estas medidas resumidas de la muestra se denominan estadísticas.
A continuación, veremos cómo la inferencia estadística implica esencialmente estimar los parámetros de población (y evaluar la precisión de esas estimaciones) utilizando estadísticas de muestra. Cuando nuestros datos de muestra son un subconjunto de la población que se ha seleccionado al azar, las estadísticas calculadas a partir de la muestra pueden decirnos mucho sobre los parámetros de población correspondientes. Por ejemplo, una media de muestra tiende a ser una buena estimación de la media de la población, en el siguiente sentido. Si tuviéramos que tomar muestras aleatorias una y otra vez, cada vez que calculamos una media de muestra, entonces la media de todas estas medias de muestra sería igual a la media de la población. Tal estimación se llama imparcial ya que en promedio estima el valor correcto. En realidad, no es necesario tomar muestras aleatorias una y otra vez para mostrar esto: la teoría de la probabilidad (más allá del alcance de este libro) nos permite probar tales teoremas.
Artículos Relacionados:
