Métodos de
Muestreo
Trimestre 14I
Introducción
Métodos de
Muestreo
Trimestre 14I
Introducción
William Gemmell Cochran
1.1 ADVANTAGES OF THE SAMPLING METHOD
Our knowledge, our attitudes, and our actions are based to a very large extent on samples. This is equally true in everyday life and in scientific research. A person’s opinion of an institution that conducts thousands of transactions every day is often determined by the one or two encounters he has had with the institution in the course of several years. Travelers who spend 10 days in a foreign country and then proceed to write a book telling the inhabitants how to revive their industries, reform their political system, balance their budget, and improve the food in their hotels are a familiar figure of fun. But in a real sense they differ from the political scientist who devotes 20 years to living and studying in the country only in that they base their conclusions in a much smaller sample of experience and are less likely to be aware of the extent of their ignorance. In science and human affairs alike we lack the resources to study more than a fragment of the phenomena that might advance our knowledge.
sam.pling \ … \ n (1778) 1 : the act, process, or
technique of selecting a suitable sample; specif
the act, process, or technique of selecting a
representative part of a population for the purpose
of determining parameters or characteristics of the
whole population 2 : a small part selected as a
sample for inspection or analysis (ask a ~ of
people which candidate they favor) 3 : the
introduction or promotion of a product by
distributing trial packages of it
Merriam Webster’s Collegiate Dictionary Tenth Edition (1993)
sam.pling \ … \ n (1778) 1 : the act, process, or
technique of selecting a suitable sample; specif
the act, process, or technique of selecting a
representative part of a population for the purpose
of determining parameters or characteristics of the
whole population 2 : a small part selected as a
sample for inspection or analysis (ask a ~ of
people which candidate they favor) 3 : the
introduction or promotion of a product by
distributing trial packages of it
Temas del primer capítulo de Krebs
Chapter 1
Ecological Data
1.1
Designing Field
Studies
1.2
Scales of
Measurement
1.3
Statistical
Inference
Regla # 1
Regla # 1
No todo lo que se puede
Regla # 2
Regla # 2
Encuentra un problema y
establece tus objetivos
Regla # 3
Regla # 3
Recaba los datos que
lograrán tus objetivos, y
haz feliz a un estadístico.
Regla # 4
Regla # 4
Algunas preguntas en
ecología son imposibles
de responder al presente.
MUESTRA
MEDIDA
MUESTRA
MEDIDA
POBLACIÓN DE
INTERÉS
POBLACIÓN DE
INTERÉS
POBLACIÓN
BAJO ESTUDIO
POBLACIÓN
BAJO ESTUDIO
ESTADÍSTICA
1.1 El diseño de estudios de
campo
EVENTOS
CONTROLADOS POR EL
OBSERVADOR
EXPERIMENTOS CON
RÉPLICAS
EXPERIMENTOS CON
RÉPLICAS
MUESTREO PARA
MODELACIÓN
MUESTREO PARA
MODELACIÓN
EXPERIMENTOS SIN
RÉPLICAS
EXPERIMENTOS SIN
RÉPLICAS
ESTUDIO DE EVENTOS
NO CONTROLADOS
SUCEDE UNA
PERTURBACIÓN
NOTABLE
SUCEDE UNA
PERTURBACIÓN
NOTABLE
NO HAY UN EVENTO DE
PERTURBACIÓN
NOTABLE
NO HAY UN EVENTO DE
PERTURBACIÓN
NOTABLE
ANÁLISIS DE
INTERVENCIÓN
ANÁLISIS DE
INTERVENCIÓN
NO HAY UN EVENTO
DE PERTURBACIÓN
NOTABLE
ÁREA DE ESTUDIO
RESTRINGIDA
ÁREA DE ESTUDIO
RESTRINGIDA
MUESTREO SOBRE UN
ÁREA ENTERA
MUESTREO SOBRE UN
ÁREA ENTERA
ESTUDIOS
OBSERVACIONALES
ESTUDIOS
OBSERVACIONALES
DISEÑOS DE
MUESTREO
DESCRIPTIVOS
DISEÑOS DE
MUESTREO
DESCRIPTIVOS
TYPES OF BIOLOGICAL DATA
Data on a Ratio Scale (Datos en la escala de cocientes) Data on an Interval Scale (Datos en la escala de intervalos) Data on an Ordinal Scale (Datos en la escala ordinal)
Data on a Nominal Scale (Datos en la escala nominal)
Continuous and Discrete Data (Datos continuos y discretos)
Zar (1999) Biostatistical Analysis (pp. 2-5).
SCALES OF MEASUREMENT
(1) Nominal Scale (2) Ranking Scale
(3) Interval and Ratio Scales
Datos en la escala nominal
Casos en los que la variable bajo estudio se clasifica mediante alguna cualidad que ésta posee más bien que por una medición numérica. La variable puede denominarse un atributo y se nos dice que estamos utilizando una escala nominal de medición (Zar).
¿Ejemplos?
Representan mediciones en su nivel más débil. La única propiedad formal de la escala nominal es la equivalencia (Krebs).
Métodos estadísticos útiles con datos en las escalas de cociente, de intervalo u ordinal, generalmente no son aplicables a datos nominales (Zar).
Datos en la escala ordinal
Casos en los que tratamos con diferencias relativas másd que con diferencias cuantitativas. Tales datos consisten de un ordenamiento o “rankeo” (ranking) mediciones (Zar). Las dos propiedades formales en los datos de ordenamiento (ranking) son: equivalencia y mayor que (Krebs).
¿Ejemplos?
Muchos procedimientos estadísticos útiles son aplicables a datos ordinales (Zar).
Datos en la escala de intervalos
Casos en los que las escalas poseen un intervalo constante pero no un cero verdadero.
¿Ejemplos?
Muchos procedimientos estadísticos útiles son aplicables a datos ordinales (Zar).
Datos en la escala de cocientes
Casos en los que: 1) Hay un intervalo constante entre cualesquiera
unidades adyacentes en la escala de medición. 2) Existe un punto cero en la escala de medición y hay un significado físico de este cero. Esto nos permite decir algo significativo con relación a los cocientes de las mediciones (Zar). Para propósitos estadísticos, esta escala (junto con la de intervalos) representa la forma más alta de una medición, y mucha de la estadística trata con el análisis de datos de este tipo (Krebs). ¿Ejemplos?
Entre las anteriores variables se encuentran también los cocientes o tasas (Zar).
Accuracy is the closeness of a measured value to
its true value and is dependent to having a good
measuring device or system.
Precision is the closeness of repeated
measurements to the same item.
Krebs (1999) Ecological Methodology (p. 7)
Accuracy is the closeness of a measured value to
its true value and is dependent to having a good
measuring device or system.
Precision is the closeness of repeated
measurements to the same item.
Regla # 5
Regla # 5
Con datos continuos,
ahorra tiempo y dinero
decidiendo el número de
cifras significativas
necesarias antes de
Significant figures are defined as the digits in a
number that denote the accuracy.
Krebs (1999) Ecological Methodology (p. 8)
Significant figures are defined as the digits in a
number that denote the accuracy.
significant digit n (1923) : one of the digits of a
number beginning with the digit farthest to the left
that is not zero and ending with the last digit
farthest to the right that is not zero or is a zero
considered to be exact – called also significant
figure
Merriam Webster’s Collegiate Dictionary Tenth Edition (1993)
significant digit n (1923) : one of the digits of a
number beginning with the digit farthest to the left
that is not zero and ending with the last digit
farthest to the right that is not zero or is a zero
considered to be exact – called also significant
figure
Regla # 6
Regla # 6
Nunca reportes una
estimación ecológica sin
alguna medida de su
Regla # 7
Regla # 7
Se escéptico con relación
a los resultados de las
pruebas de significancia
estadística.
Regla # 8
Regla # 8
Nunca confundas
significancia estadística
con significancia
biológica.
0 1 2 3 4 5 6 7 8 9 10
Medida: 1 cm
Regla graduada en centímetros
0 1 2
0 1 2 Límite superior: 1.5 cm Límite inferior: 0.5 cm
Intervalo de medición
Medida: 1 cm = centro o marca de clase del intervalo0 1 2 Límite superior: 1.5 cm Límite inferior: 0.5 cm
Intervalo de medición
Medida: 1 cm = centro o marca de clase del intervalo0 1 2 Límite superior: 1.5 cm Límite inferior: 0.5 cm
Intervalo de medición
0 1 2 Límite superior: 1.49999999 cm Límite inferior: 0.50000000 cm
Intervalo de medición
0 1 2 Límite superior: 1.25 cm Límite inferior: 1.15 cm Medida: 1.2 cm
Regla con resolución de décimas de centímetro
1.1 1.2 1.3
1.1 1.2 1.3
Medida: 1.20 cm
Regla con resolución de centésimas de centímetro
0 10 20 Límite superior: 12.5 cm Límite inferior: 11.5 cm Medida: 12 mm
Regla con resolución de milímetros
Regla # 9
Regla # 9
Codifica todos tus datos
ecológicos e introdúcelos
en computadora en algún
formato legible para la
Regla # 10
Regla # 10
Si basura entra, basura
¿SE NECESITA UNA
ESTIMACIÓN DE LA
DENSIDAD ABOLUTA?
¿NECESITAS DATOS
SOBRE LOS
INDIVIDUOS?
¿NECESITAS DATOS
SOBRE LOS
INDIVIDUOS?
ÍNDICES DE DENSIDAD
RELATIVA
ÍNDICES DE DENSIDAD
RELATIVA
NO SI¿NECESITAS DATOS
SOBRE LOS
INDIVIDUOS?
¿LOS ORGANISMOS
SON MÓVILES?
¿LOS ORGANISMOS
SON MÓVILES?
TÉCNICAS DE
MARCAJE-RECAPTURA
TÉCNICAS DE
MARCAJE-RECAPTURA
SI NO¿LOS ORGANISMOS
SON MÓVILES?
¿LA POBLACIÓN ESTÁ
SIENDO EXPLOTADA?
¿LA POBLACIÓN ESTÁ
SIENDO EXPLOTADA?
CONTEOS EN
CUADROS
CONTEOS EN
CUADROS
NO SI¿LA POBLACIÓN ESTÁ
SIENDO EXPLOTADA?
¿ES SELECTIVA LA
EXPLOTACIÓN, POR
SEXO O EDAD?
¿ES SELECTIVA LA
EXPLOTACIÓN, POR
SEXO O EDAD?
SI NO¿SE SABE QUE LA
DISPERSIÓN ES AL
AZAR?
¿SE SABE QUE LA
DISPERSIÓN ES AL
AZAR?
TÉCNICAS DE
MARCAJE-RECAPTURA
TÉCNICAS DE
MARCAJE-RECAPTURA
¿ES SELECTIVA LA
EXPLOTACIÓN, POR
SEXO O EDAD?
MÉTODOS DE CAMBIO
DE COCIENTE
MÉTODOS DE CAMBIO
DE COCIENTE
SI NOMÉTODOS DE
CAPTURA POR
ESFUERZO
MÉTODOS DE
CAPTURA POR
ESFUERZO
¿SE SABE QUE LA
DISPERSIÓN ES AL
AZAR?
¿ES BAJA LA
DENSIDAD?
¿ES BAJA LA
DENSIDAD?
MÉTODOS DE
DISTANCIAS
MÉTODOS DE
DISTANCIAS
SI NO¿ES BAJA LA
DENSIDAD?
NO SICONTEOS EN
CUADROS
CONTEOS EN
CUADROS
MÉTODOS DE
TRANSECTOS EN
LÍNEA
MÉTODOS DE
TRANSECTOS EN
LÍNEA
¿SE NECESITA UNA ESTIMACIÓN DE LA DENSIDAD ABOLUTA?
¿NECESITAS DATOS SOBRE LOS INDIVIDUOS?
¿NECESITAS DATOS SOBRE LOS INDIVIDUOS?
ÍNDICES DE DENSIDAD RELATIVA
ÍNDICES DE DENSIDAD RELATIVA
¿LOS ORGANISMOS SON MÓVILES?
¿LOS ORGANISMOS SON MÓVILES?
TÉCNICAS DE MARCAJE-RECAPTURA
TÉCNICAS DE MARCAJE-RECAPTURA
¿LA POBLACIÓN ESTÁ SIENDO EXPLOTADA?
¿SE SABE QUE LA DISPERSIÓN ES AL AZAR?
¿SE SABE QUE LA DISPERSIÓN ES AL AZAR? MÉTODOS DE DISTANCIAS MÉTODOS DE DISTANCIAS ¿ES SELECTIVA LA EXPLOTACIÓN, POR SEXO
O EDAD? MÉTODOS DE CAMBIO DE COCIENTE MÉTODOS DE CAMBIO DE COCIENTE MÉTODOS DE CAPTURA POR ESFUERZO MÉTODOS DE CAPTURA POR ESFUERZO NO SI NO SI NO NO NO SI SI NO NO SI SI
