República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica
de la Fuerza Armada Bolivariana
Extensión Puerto Píritu – Ambiente Laya

Profesora: Estudiantes:

Odalys Triana Yanitza M. Tamiche F.

C.I.:15.707.797

Eulimar Sotillo

C.I.:26.070.635

Richard M. Teherán

C.I.:28.143.296

Eduardo Triana

C.I.:26.548.629

Ing. Civil, III Semestre.

Puerto Píritu, 22 de Noviembre de 2017

 Índice

Págs.

Introducción……………………………………………………………………………. 3

Ley de los Grandes Números…………………………………………………...…… 4

Teorema de Limites Central………………………………………………..…......…. 4

Desigualdad de Shepy Cher…………………………………………………………. 4

Ley de los Grandes Números, Características, Ejemplos………………………… 5

Distribución de Muestreo……………………………………………………………... 6

Teoría de Muestreo como Base de la Estadística Inferencial……………….…… 6

Muestreo al Azar……………………………………………………………………..… 7

Distribución x2, Distribución T de Stuntdert………………………………………... 8

Distribución F de Shicher……………………………………………………………… 9

Distribución Muestral de la Media Aritmética……………………………………..… 9

Diferencia de Media……………………………………………………………….…… 10

Error Estandar………………………………………………………………………….. 10

Conclusión……………………………………………………………………….……… 11

Bibliografía............................................................................................................
12
.

Anexo…………………………………………………………………………………..... 13

2
 Introducción

Cada sistema de muestreo se usa para obtener estimaciones de ciertas

propiedades de la población objeto de estudio, y será tanto más adecuado cuanto
mejores sean las estimaciones que proporcione. Las estimaciones individuales
pueden ser, por casualidad, muy aproximadas o diferir considerablemente del
verdadero valor, dando una prueba deficiente de los méritos del sistema. Un mal
sistema de muestreo puede dar a veces algunas estimaciones muy exactas, así
como también un buen sistema dar alguna muy alejada del verdadero valor. La
mejor manera de juzgar un sistema de muestreo consiste en observar la
distribución de frecuencias de las estimaciones que se obtienen por muestreos
repetidos. Un buen sistema proporciona estimaciones cuya distribución de
frecuencias posee una pequeña variancia y su valor medio está muy próximo al
valor verdadero. La diferencia entre la estimación media y el valor verdadero se
denomina sesgo. Las magnitudes del sesgo y la variancia de un sistema de
muestreo son, en una gran extensión, independientes entre sí; un sistema puede
dar estimaciones con una pequeña variancia, es decir, difiriendo poco entre ellas,
pero con un gran sesgo, esto es, quedando todas las estimaciones muy lejos del
valor verdadero.

3
Ley de los Grandes Números.
La ley de los grandes números pertenece a la parte de las matemáticas que
mide la frecuencia con la que se obtienen todas las formas posibles que se
pueden dar en un suceso, es decir, la probabilidad.

Su creador, Bernoulli (en la imagen), publicó esta ley en su libro Ars

Conjectandi en el año 1713. Éste fue el primer intento para deducir medidas
estadísticas a partir de probabilidades individuales. Sin embargo, Bernoulli aún
necesitaría veinte años para perfeccionar la ley de los grandes números por
completo.

Cuando una experiencia aleatoria se realiza con un instrumento irregular,

para determinar la probabilidad de cada suceso hay que experimentar. Por eso
mismo, esta ley es tan importante en las experiencias irregulares.

Teorema de Limites Central.

 Si se seleccionan muestras de un tamaño dado de cualquier población, la

distribución de muestreo de los totales como de las medias de muestra es,
aproximadamente, una distribución normal.

 Esta aproximación es mejor con muestras grandes.

Desigualdad de Shepy Cher.

Desigualdad chepy cher: En probabilidad, la desigualdad de Chebyshov

(también escrito como Chebychev) es un resultado que ofrece una cota inferior a
la probabilidad de que el valor de una variable aleatoria con varianza finita esté a
una cierta distancia de su esperanza matemática. La desigualdad recibe su
nombre del matemático ruso Pafnuti Chebyshov.

4
 En la literatura, a este tipo de desigualdades, cuya característica es la
comparación de la probabilidad de la cola de la distribución y su valor esperado,
se le conoce como desigualdades tipo Chebyshov.

Estas desigualdades son la herramienta básica para demostrar resultados

como la ley de los grandes números, entre otros. Además de que tienen
aplicaciones en estadística, así como en otras áreas de las matemáticas.

Ley de los Grandes Números, Características, Ejemplos.

La ley de los grandes números nos dice que la frecuencia relativa de

las obtenciones de un experimento de carácter aleatorio se estabiliza en un
número que coincide con la probabilidad, cuando el experimento se realiza
muchas veces.

Teniendo en cuenta que la frecuencia relativa es la proporción de veces que

ocurre un determinado suceso o, lo que es lo mismo, la cantidad de veces que
sale un único suceso entre el número de veces que se ha realizado el
experimento, podemos afirmar que la razón por la cual se estabiliza la frecuencia
relativa es porque al ser el denominador cada vez más grande, al cociente le
afectan cada vez menos las oscilaciones del numerador.

Dentro de la ley de los grandes números podemos encontrar la Ley Débil y

la Ley Fuerte.

La Ley Débil: esta ley asegura que en muchas situaciones, la media

aritmética de n variables aleatorias se aproxima a un límite de la
probabilidad de E[X].

Esta ley se cumple si en una sucesión de variables aleatorias (Xn), {Xn - E[Xn]} se
aproxima al límite de probabilidad 0.

5
 La Ley Fuerte: esta ley afianza la ley débil, puesto que se va a establecer
la convergencia con probabilidad 1 en vez, solamente, convergencia en
probabilidad.

De todo esto, podemos concluir la ley de los grandes números en la

siguiente ''fórmula'': lím fr(S) = P[S] Cuando N tiende a infinito.

Ejemplo:

Distribución de Muestreo.

Es la distribución de probabilidad de una estadística; es una función de las

variables aleatorias que se observan en la muestra, que resulta de un número
infinito de muestras aleatorias de tamaño, mutuamente independientes;
provenientes de la población de interés.

Teorema de Muestreo como Base de la Estadística Inferencial.

La estadística inferencial es una parte de la estadística que comprende los
métodos y procedimientos que por medio de la inducción determina propiedades
de una población estadística, a partir de una parte de esta. Su objetivo es obtener
conclusiones útiles para hacer deducciones sobre una totalidad, basándose en la
información numérica de la muestra.

Se dedica a la generación de los modelos, inferencias y predicciones

asociadas a los fenómenos en cuestión teniendo en cuenta la aleatoriedad de las
observaciones. Se usa para modelar patrones en los datos y extraer inferencias
acerca de la población bajo estudio. Estas inferencias pueden tomar la forma de
respuestas a preguntas sí/no (prueba de hipótesis), estimaciones de unas
características numéricas (estimación), pronósticos de futuras observaciones,
descripciones de asociación (correlación) o modelamiento de relaciones entre
variables de Sam (análisis de regresión). Otras técnicas de modelamiento incluyen
análisis de varianza, series de tiempo y minería de datos.

En el planteamiento se definen con precisión la población, la característica

a estudiar, las variables.

6
 Elaboración de un modelo: en caso de establecer un modelo teórico, se
replantea el procedimiento y se llega a una conclusión lógica. Los posibles
modelos son distribuciones de probabilidad.

Extracción de la muestra: se usa alguna técnica de muestreo o un diseño

experimental para obtener información de una pequeña parte de la población.

Tratamiento de los datos: en esta fase se eliminan posibles errores, se

depura la muestra, se tabulan los datos y se calculan los valores que serán
necesarios en pasos posteriores, como la media muestral, la varianza muestral.

Los métodos de esta etapa están definidos por la estadística descriptiva.

Estimación de los parámetros: con determinadas técnicas se realiza una

predicción sobre cuáles podrían ser los parámetros de la población.

Contraste de hipótesis: los contrastes de hipótesis son técnicas que

permiten simplificar el modelo matemático bajo análisis. Frecuentemente el
contraste de hipótesis recurre al uso de estadísticos muéstrales.

Muestreo al Azar.

El concepto básico de todo muestreo es el de la muestra al azar. Una

muestra de objetos de una población se llama al azar cuando todos los miembros
de la población tienen igual oportunidad de aparecer en la muestra. Es muy
importante insistir en que esto es igualmente válido para todos los miembros de la
población, tanto para los raros como para los típicos. Por ejemplo, el plegonero
(Merlangus merlangus) desembarcado por un solo barco en Lowestoft suele tener
(aquí supondremos que siempre) una composición de longitudes suavemente
unimodal, con la moda normalmente entre 28 y 30 cm, pero alguna vez, por
ejemplo, una entre 30, llega a ser hasta de 35 cm. Por lo tanto, si tomamos una
muestra al azar de plegonero de cada barco, una vez de cada 30, por término
medio, tendrá una moda de 35 cm o más, aunque normalmente estará entre 28 y
30 cm. Si entonces un biólogo pesquero, apoyándose en una sola muestra,
obtiene una moda de 35 cm, esta desviación de la media de 29 cm no significará
necesariamente una muestra que no sea al azar, puesto que se puede dar este
caso una vez de cada 30; pero se puede comprobar tomando más muestras, por
ejemplo tres muestras, que sólo tendrán juntas una moda superior a 35 cm una
vez entre 27.000.

Ejemplo:

7
 Un procedimiento muy útil y de amplia aplicación para tomar muestras al
azar consiste en utilizar números al azar, tal como se describe en la mayor parte
de los libros de estadística. A cada individuo de la población de la cual se quiere
extraer una muestra se le atribuye un número, y los que se tomen como muestra
estarán determinados por la tabla de números al azar. Por ejemplo, si se quieren
elegir 5 individuos entre 100, como una muestra, y los 5 primeros números de la
tabla son 3, 47, 43, 73 y 86, se tomarán los individuos correspondientes a estos
números. Cuando la cantidad de individuos no sea exactamente 100 (o 1.000,
etc.) saldrán números que no correspondan a ningún individuo, y no se tendrán en
cuenta. Esta pérdida de tiempo puede ser reducida atribuyendo a cada individuo
dos o más números, con tal de que todos tengan igual cantidad de números.
Supongamos, por ejemplo, que se quieren tomar 5 unidades de una población de
24; en este caso, a cada individuo se le adscriben cuatro números; así la primera
unidad tendrá, por ejemplo, los números 01 al 04, etc., la 24 tendrá 93-96, con lo
que quedarán sólo cuatro números, 97-100, sin utilizar. Los individuos sometidos
al muestreo, que corresponden a la serie previa de 5 números al azar, serían
entonces los números 1, 12, 11, 16 y 22 (si uno de los números al azar es 97 o
más, se descarta y se toma otro). En lugar de escoger todas las unidades en la
muestra individualmente de la tabla de números al azar, las unidades se pueden
tomar a intervalos regulares, por ejemplo, cada 5 ó 100 individuos, y solamente el
primero elegido utilizando los números al azar. En el primer ejemplo, la muestra
era de 1/20 de la población, de modo que el intervalo de la muestra será 20 y
como el primer número elegido al azar era el 3, los siguientes serían 23, 43, 63 y
83. Este sistema es peligroso si en la población hay una periodicidad natural
equivalente al intervalo elegido; por ejemplo, en el caso de someter a muestreo los
desembarcos totales en un puerto, no se debe anotar la captura cada 7 ó 14 días,
puesto que pudiera haber grandes variaciones sistemáticas asociadas a los
distintos días de la semana.

Distribución x2, Distribución T de Stuntdert.

En estadística, la distribución de Pearson, llamada también ji
cuadrada(o) o chi cuadrado(a) (χ²), es una distribución de probabilidad
continua con un parámetro que representa los grados de libertad de la variable
aleatoria.

8
 La distribución χ² tiene muchas aplicaciones en inferencia estadística. La
más conocida es la de la denominada prueba χ² utilizada como prueba de
independencia y como prueba de bondad de ajuste y en la estimación de
varianzas. Pero también está involucrada en el problema de estimar la media de
una población normalmente distribuida y en el problema de estimar la pendiente
de una recta de regresión lineal, a través de su papel en la distribución t de
Student.

Aparece también en todos los problemas de análisis de varianza por su

relación con la distribución F de Snedecor, que es la distribución del cociente de
dos variables aleatorias independientes con distribución χ².

Distribución F de Shicher.

La distribución F de Fisher es una distribución que depende de dos

parámetros. Es una distribución que aparece, con frecuencia, como distribución de
un estadístico de test, en muchos contrastes de hipótesis bajo las suposiciones de
normalidad. Por ejemplo, todos los contrastres ANOVA (Ver Herbario de técnicas).

Su tabla es compleja porque al depender de dos parámetros complica su

diseño. Se acostumbran, pues, a publicar tantas tablas como niveles de
significación interese manejar. Aquí adjunto la del 0.05, la del 0.01 y la del 0.001:

Distribución Muestral de la Media Aritmética.

La media poblacional es un parámetro de gran interés en muchas
Situaciones prácticas.
Por ejemplo, queremos conocer el promedio de:
o los ingresos familiares en España el año 2007.
o la proporción de préstamos morosos el último mes.
o el precio de compra de viviendas en la Comunidad de Madrid el
pasado mes.
o A partir de una muestra (reducida) de valores queremos calcular:
o Una buena aproximación al valor correcto (inevitablemente con
error).
9
 o Y una estimación del error en la aproximación.

Diferencia de Media.

La variabilidad de la media muestral

La varianza de la media muestral, X, (una medida del error) es Var[X] def:= Var"
1nnXi=1Xi#=1n2 ﾤ

El valor de la varianza decrece si n aumenta.

 Podemos reducir el error aumentando el tamaño de la muestra.

 La reducción en el error es lenta.

 Para reducir el error (medido por la desviación típica) a la mitad debemos

 Aumentar el tamaño de la muestra 4 veces.

Error Estándar.

• El error estándar de la media es la desviación estándar de la distribución de

muestreo de la media.
• Es calculada por

x 
n

•
x es el símbolo para error estándar de la media.
•  es la desviación estándar de la población.
• n es el tamaño de la muestra.

Conclusión

10
 En el desarrollo de esta investigación se resumen algunas características
de las muestras, en este sentido se tiene que en la práctica se ha venido
destacando la necesidad de seleccionar una muestra donde cada elemento de la
población o universo tenga una probabilidad conocida de ser seleccionado, para
lograr esto debemos elegir un tipo de muestreo probabilística con la finalidad que
el error del muestreo lo asuma simplemente el azar.

Por otra parte, el objetivo que persigue una muestra es que permite
efectuar estimaciones de valores del universo a partir de medidas obtenidas de la
misma, y al mismo tiempo permiten realizar cálculos de la seguridad o
confiabilidad de tales estimaciones de manera más precisas utilizando pruebas
estadísticas de hipótesis acerca del universo.

Finalmente, es necesario conocer la teoría del muestreo para decidir la

conveniencia de tomar o no muestras de una población considerando la
naturaleza del diseño de investigación y las características peculiares del proyecto
para enfrentar el problema. Así como decidir el tipo de muestra para un proyecto
de investigación teniendo en cuenta las variables que interesa relacionar, el tipo de
población y las proporciones de los individuos.

11
 Bibliografía

http://www.probabilidaejercicios.com

www.htt/librosdeestadisticaprobabilistica.com

https://estadisticaorquestainstrumento.wordpress.com/2013/01/07/la-distribucion-f-
de-fisher/

www.ejemploetaditico.com

12
ANEXOS
13
14
15