Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introduccin
es
frecuentemente
utilizada
en
las
aplicaciones
Su propio nombre indica su extendida utilizacin, justificada por la frecuencia o la normalidad con la que los ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n, p), para un mismo valor de p y de valores de n cada vez mayores, se ve que sus polgonos de frecuencias se aproximan a una forma en forma de campana.
En resumen, la importancia de la distribucin normal se debe principalmente a que hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la normal.
- Caracteres morfolgicos de individuos (personas, animales, plantas,) de una especie. Por ejemplo: tallas, pesos, envergaduras, dimetros, permetros, - Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco, o de una misma cantidad de abono. - Caracteres sociolgicos, por ejemplo: consciente intelectual, grado de adaptacin a un medio. - Errores cometidos al medir ciertas magnitudes. - Valores estadsticos maestrales, por ejemplo: la media. - Otras distribuciones como la binomial o la Poisson son aproximaciones normales. Y en general cualquier caracterstica que se obtenga como suma de mucho factores.
2. Distribucin Normal
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su propio nombre indica su extendida utilizacin, justificada por la frecuencia o normalidad con la que ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n, p), para un mismo valor de p y valores de n cada vez mayores, se ve que sus polgonos de frecuencias se aproximan a una curva en "forma de campana".
En resumen, la importancia de la distribucin normal se debe principalmente a que hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la normal.
Caracteres morfolgicos de individuos (personas, animales, plantas,) de una especie, p. ejm. Tallas, pesos, envergaduras, dimetros, permetros Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un frmaco, o de una misma cantidad de abono. Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo grupo de individuos, puntuaciones de examen. Caracteres psicolgicos, por ejemplo: adaptacin a un medio cociente intelectual, grado de
Errores cometidos al medir ciertas magnitudes. Valores estadsticos maestrales, por ejemplo: la media. Otras distribuciones como la binomial o la de Poisson son aproximaciones normales Y en general cualquier caracterstica que se obtenga como suma de muchos factores.
3. Funcin De Densidad Empleando clculos bastante laboriosos, puede demostrarse que el modelo de la funcin de densidad que corresponde a tales distribuciones viene dando por la frmula
Funcin De Una Distribucin Puede tomar cualquier valor (- ,+ ) Son ms probables los valores cercanos a uno central que llamados media Conforme nos separamos de ese valor , la probabilidad va decreciendo de igual forma a derecha e izquierda (es simtrica). Conforma nos separamos de ese valor , la probabilidad va decreciendo de forma ms o menos rpida dependiendo de un parmetro s, que es la desviacin tpica.
4. La Distribucin Binomial:
Llamamos experiencia aleatoria dicotmica a aquella que solo puede tener dos posibles resultados A y A'. Usualmente A recibe el nombre de xito, adems representaremos como p= p(A) y q=1-p=p (A). A la funcin de probabilidad de una variable aleatoria X resultado de contar el nmero de xitos al repetir n veces una experiencia aleatoria dicotmica con probabilidad de xito p la llamamos distribucin binomial y la representamos por B (n, p) Para esta distribucin se verifica que, la variable X puede tomar los valores: 0, 1,2,, n Y que la variable toma cada uno de estos valores con probabilidad: p(X = r) = (nr) pr (1 p) n-r Parmetros de una distribucin binomial: Esperanza: np (n p q) 0.5 (raz cuadrada)
Desviacin tpica
Ajuste de una serie de datos a una distribucin binomial: Disponemos de una serie de k datos que toman los valores 0,1,, n. Para saber si estos datos siguen pueden aproximarse por una distribucin binomial: Calculamos la media de los k datos y la igualamos a la Esperanza terica de la Binomial (n p). Despejamos de aqu el valor de p. Calculamos los valores tericos de p(X = r), multiplicndolos por k para obtener los valores tericos de cada posible valor de la variable aleatoria en series de k datos. Si la diferencia es " suficientemente pequea " aceptamos como buena la aproximacin Binomial, si no, la rechazamos. (nota: la fundamentacin estadstica que nos permitira decidir de manera objetiva si la diferencia entre los datos tericos y los reales es "suficientemente pequea" escapa de los objetivos de esta unidad didctica, con lo cual la decisin se deber tomar de manera subjetiva) Muestreo En estadstica, es el proceso por el cual se seleccionan los individuos que formarn una muestra.
Para que se puedan obtener conclusiones fiables para la poblacin a partir de la muestra, es importante tanto su tamao como El modo en que han sido seleccionados los individuos que la componen. El tamao de la muestra depende de la precisin que se quiera conseguir en la estimacin que se realice a partir de ella. Para su determinacin se requieren tcnicas estadsticas superiores, pero resulta sorprendente cmo, con muestras notablemente pequeas, se pueden conseguir resultados suficientemente precisos. Por ejemplo, con muestras de unos pocos miles de personas se pueden estimar con muchsima precisin los resultados de unas votaciones en las que participarn decenas de millones de votantes. Para seleccionar los individuos de la muestra es fundamental proceder aleatoriamente, es decir, decidir al azar qu individuos de entre toda la poblacin forma parte de la muestra. Si se procede como si de un sorteo se tratara, eligiendo directamente de la poblacin sin ningn otro condicionante, el muestreo se llama aleatorio simple o irrestrictamente aleatorio. Cuando la poblacin se puede subdividir en clases (estratos) con caractersticas especiales, se puede mostrar de modo que el nmero de individuos de cada estrato en la muestra mantenga la proporcin que exista en la poblacin. Una vez fijado el nmero que corresponde a cada estrato, los individuos se designan aleatoriamente. Este tipo de muestreo se denomina aleatorio estratificado con asignacin proporcional. Las inferencias realizadas mediante muestras seleccionadas aleatoriamente estn sujetas a errores, llamados errores de muestreo, que estn controlados. Si la muestra est mal elegida - no es significativa - se producen errores sistemticos no controlados. Mtodos De Muestreo Existen dos mtodos de muestreo: El muestreo probabilstico y no probabilstico 1) Mtodos de muestreo probabilstico Los mtodos de muestreo probabilsticas son aqullos que se basan en el principio de equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas las posibles muestras de tamao n tienen la misma probabilidad de ser elegidas. Slo estos mtodos de muestreo probabilsticas nos aseguran la representatividad de la muestra extrada y son, por tanto, los ms recomendables. Dentro de los mtodos de muestreo probabilsticas encontramos los siguientes tipos:
Afijacin simple A cada estrato le corresponde igual nmero de elementos maestrales. Afijacin proporcional La distribucin se hace de acuerdo con el peso (tamao) de la poblacin en cada estrato. Afijacin Optima Se tiene en cuenta la previsible dispersin de los resultados, de modo que se considera la proporcin y la desviacin tpica. Tiene poca aplicacin ya que no suele conocer la desviacin.
2) Mtodos de muestreo no probabilsticos A veces, para estudios exploratorios, el muestreo probabilstico resulta excesivamente costoso y se acude a mtodos no probabilsticos, aun siendo conscientes de que no sirven para realizar generalizaciones, pues no se tiene certeza de que la muestra extrada sea representativa, ya que no todos los sujetos de la poblacin tienen la misma probabilidad de ser elegidos. En general se seleccionan a los sujetos siguiendo determinados criterios procurando que la muestra sea representativa.
D. Bola de nieve
Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y as hasta conseguir una muestra suficiente. Este tipo se emplea muy frecuentemente cuando se hacen estudios con poblaciones "marginales", delincuentes, sectas, determinados tipos de enfermos, etc.
E. Error Muestral
De estimacin o estndar. Es la diferencia entre un estadstico y su parmetro correspondiente. Es una medida de la variabilidad de las estimaciones de muestras repetidas en torno al valor de la poblacin, nos da una nocin clara de hasta dnde y con qu probabilidad una estimacin basada en una muestra se aleja del valor que se hubiera obtenido por medio de un censo completo. Siempre se comete un error, pero la naturaleza de la investigacin nos indicar hasta qu medida podemos cometerlo (los resultados se someten a error muestral e intervalos de confianza que varan muestra a muestra). Vara segn se calcule al principio o al final. Un estadstico ser ms preciso en cuanto y tanto su error es ms pequeo. Podramos decir que es la desviacin de la distribucin muestral de un estadstico y su fiabilidad.