Está en la página 1de 7

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: cociente 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 de Poisson son aproximaciones normales
Y en general cualquier caracterstica que se obtenga como suma de muchos factores.
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.
La Distribucin Binomial
Funciones de probabilidad:
Llamamos funcin d probabilidad f a la aplicacin de E(X) (Espacio Muestral) en el intervalo
[0,1] QUE VERIFICA:
f(A)= p (A)
Bsicamente se trata de estudiar la probabilidad como una funcin utilizando para su estudio
todas las propiedades de las funciones.
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: n p
Desviacin tpica (n p q ) 0.5 ( raz cuadrada)
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.
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
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:
Muestreo aleatorio simple
El procedimiento es el siguiente: se asigna un nmero a cada individuo de la poblacin y a
travs de algn medio mecnico (bolas dentro de una bolsa, tablas de nmeros aleatorios,
nmeros aleatorios generados con una calculadora u ordenador, etc.) se eligen tantos sujetos
como sea necesario para completar el tamao de muestra requerido.
Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad prctica cuando la
poblacin que estamos manejando es muy grande.
Muestreo aleatorio sistemtico
Este procedimiento exige, como el anterior, numerar todos los elementos de la poblacin, pero
en lugar de extraer n nmeros aleatorios solo se extrae uno. Se parte de ese nmero aleatorio i,
que es un nmero elegido al azar, y los elementos que integran la muestras son los que ocupan
los lugares i,i+k,i+2k,i+3k,,i+(n-1)k, es decir se toman los individuos de k en k, siendo k el
resultado de dividir el tamao de la poblacin entre el tamao de la muestra: k=N/n. el nmero i
que empleamos como punto de partida ser un nmero al azar entre 1 y k.
El riesgo de este tipo de muestreo est en los casos en que se dan periodicidad constante (k)
podemos introducir una homogeneidad que no se da en la poblacin. Imaginemos que estamos
seleccionando una muestra sobre listas de 10 individuos en los que los 5 primeros son varones y
los ltimos 5 son mujeres, si empleamos un muestreo aleatorio sistemtico con k=10 siempre
seleccionaramos o slo hombres o slo mujeres, no podra haber una representacin de los dos
sexos.

Muestreo aleatorio estratificado.


Trata de obviar las dificultades que presentan los anteriores ya que simplifican los procesos y
suelen reducir el error muestral para un tamao dado de la muestra. Consiste en considerar
categoras tpicas diferentes entre s (estratos) que poseen gran homogeneidad respecto a alguna
caracterstica (se puede estratificar, por ejemplo, segn la profesin, el municipio de residencia,
el sexo, el estado civil, etc.). Lo que se pretende con este tipo de muestreo es asegurarse de que
todos los estratos de inters estarn representados adecuadamente en la muestra. Cada estrato
funciona independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o
el estratificado para elegir los elementos concretos que formarn parte de la muestra. En
ocasiones las dificultades que plantean son demasiado grandes, pues exige un conocimiento
detallado de la poblacin. (Tamao geogrfico, sexos, edades).
La distribucin de la muestra en funcin de los diferentes estratos se denomina afijacin, y
puede ser de diferentes 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 ptima

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.
Muestreo aleatorio por conglomerados
Los mtodos presentados hasta ahora estn pensados para seleccionar directamente los
elementos de la poblacin, es decir, que las unidades maestrales son los elementos de la
poblacin. En el muestreo por conglomerados la unidad muestral es un grupo de elementos de la
poblacin que forman una unidad, a la que llamamos conglomerado. Las unidades hospitalarias,
los departamentos universitarios, una caja de determinado producto, etc., son conglomerados
naturales como, por ejemplo, las urnas electorales. Cuando los conglomerados son reas
geogrficas suele hablarse de "muestreo por reas". El muestreo por conglomerados consiste en
seleccionar aleatoriamente un cierto nmero de conglomerados (el necesario para alcanzar el
tamao muestral establecido) y en investigar despus todos los elementos pertenecientes a los
conglomerados elegidos.
Para finalizar con esta exposicin de los mtodos de muestreo probabilstico es necesario
comentar que ante lo compleja que puede llegar a ser la situacin real de muestreo con la que
nos enfrentemos es muy comn emplear lo que se denomina muestreo polietpico. Este tipo de
muestreo se caracteriza por operar en sucesivas etapas, empleando en cada una de ellas
el mtodo de muestreo probabilstico ms adecuado.
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.
Muestreo por cuotas.
Tambin denominado en ocasiones "accidental". Se asienta generalmente sobre la base de un
buen conocimiento de los estratos de la poblacin y/o de los individuos ms "representativos" o
"adecuados" para los fines de la investigacin. Mantiene, por tanto, semejanzas con el muestreo
aleatorio estratificado, pero no tiene el carcter de aleatoriedad de aqul.
En este tipo de muestreo se fijan unas "cuotas" que consisten en un nmero de individuos que
renen unas determinadas condiciones, por ejemplo: 20 individuos de 25 a 40 aos, de sexo
femenino y residentes en Gijn. Una vez terminada la cuota se eligen los primeros que se
encuentren que cumplan esas caractersticas. Este mtodo se utiliza mucho en las encuestas de
opinin.
Muestreo intencional
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener muestras
"representativas" mediante la inclusin en la muestra de grupos supuestamente tpicos. Es muy
frecuente su utilizacin en sondeos preelectorales de zonas que en anteriores votaciones han
marcado tendencias en voto.
Muestreo casual o incidental
Se trata de un proceso en el que el investigador selecciona directa e intencionalmente los
individuos de la poblacin. El caso ms frecuente de este procedimiento el utilizar como

muestra los individuos a los que se tiene fcil acceso (los profesores de universidad emplean
con mucha frecuencia a sus propios alumnos). Un caso particular es el de los voluntarios.
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.
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.
Variable aleatoria de la distribucin normal
Una variable aleatoria continua, X, sigue una distribucin normal de media y desviacin tpica
, y se designa por N (, ), si se cumplen las siguientes condiciones:
La variable puede tomar cualquier valor: (-, +). La funcin de densidad, es la expresin en
trminos de ecuacin matemtica de la curva de Gauss:

Curva de la distribucin normal

El campo de existencia es cualquier valor real, es decir, (-, +) es simtrica respecto a la


media , tiene un mximo en la media , crece hasta la media y decrece a partir de ella, en los
puntos y + presenta puntos de inflexin, el eje de abscisas es una asntota de la curva
el rea del recinto determinado por la funcin y el eje de abscisas es igual a la unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la izquierda y otra
igual a 0.5 a la derecha, la probabilidad equivale al rea encerrada bajo la curva.
p( - < X + ) = 0.6826 = 68.26 %
p( - 2 < X + 2) = 0.954 = 95.4 %

p( - 3 < X + 3) = 0.997 = 99.7 %


La distribucin normal estndar, o tipificada o reducida, es aquella que tiene por media el
valor cero, = 0, y por desviacin tpica la unidad, =1.
Su funcin de densidad es:

Su grfica es:

La probabilidad de la variable X depender del rea del recinto sombreado en la figura. Y para
calcularla utilizaremos una tabla.
Tipificacin de la variable
Para poder utilizar la tabla tenemos que transformar la variable X que sigue una
distribucin N(, ) en otra variable Z que siga una distribucin N(0, 1).

Distribucin Normal
La distribucin normal fue estudiada por Gauss. Se trata de una variable aleatoria continua (la
variable puede tomar cualquier valor real). La funcin de densidad tiene forma de campana.
Dos parmetros determinan una distribucin normal: la media y la desviacin tpica. Cuanto
mayor sea la desviacin tpica mayor es la dispersin de la variable.
La distribucin normal es simtrica respecto de la media que est representada por un tringulo
y se puede interpretar como un punto de equilibrio. Al arrastrarlo se modifica tambin la media.
El mismo efecto tiene el mover el punto correspondiente en la cspide de la curva, arrastrando
el otro punto sobre la curva (que es uno de los dos puntos de inflexin de la curva) se modifica
la desviacin tpica podemos ver la funcin de distribucin acumulada y cmo cambia al
modificar la media (simple traslacin) y la desviacin tpica (reflejando la mayor o menor
dispersin de la variable).