UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES

“EZEQUIEL ZAMORA” UNELLEZ

LA UNIVERSIDAD QUE SIEMBRA
BARINAS ESTADO BARINAS

ESTADISTICA

INFORME DEL MODULO IV

Docente:

Roy Cartier

Bachilleres:

Melfy Vielma C. I. N°

Paula Jerez C. I. N°

(Enfermería, Sección F01)

Barinas, 10 de julio de 2.020

CONTENIDOS:

1.- Probabilidad, experimento, evento, espacio muestral, suceso, tipos de probabilidad

(definición de cada uno)…………………………………………………………..……….3

2.- Definición Axiomática de probabilidad………………………………………...…………7

3.- Distribuciones discretas y continuas (definición de cada uno)………………...………….9

4.- Muestreo, diseño muestral y error (definición de cada uno)……………………....…….10

5.- Técnicas de muestreo: probabilístico y no probabilístico (definición y tipos de cada

uno)....................................................................................................................................12

6.- Tamaño y procedimientos para seleccionar una muestra (definición y ejemplo)..............15

7.- Estimadores (definición y propiedades)………………………………………..…….…..19

Probabilidad, experimento, evento, espacio muestral, suceso, tipos de probabilidad

(definición de cada uno).

Probabilidad:

La probabilidad es una medida del grado de posibilidad de que un suceso aleatorio pueda ocurrir.

Se suele expresar como un número entre 0 (imposibilidad absoluta) y 1 (posibilidad total) o un

porcentaje entre 0 % y 100 %, donde un suceso imposible tiene probabilidad cero y un suceso

seguro tiene probabilidad uno.

Para obtener la probabilidad de un suceso, generalmente se determina la frecuencia con la que

ocurre (en experimentos aleatorios bajo condiciones estables), y se procede a realizar cálculos

teóricos.

Para ello se sigue lo establecido por la Teoría de la probabilidad, una rama de las matemáticas

dedicada al estudio de la probabilidad. Esta disciplina es largamente empleada por otras ciencias

naturales y sociales como disciplina auxiliar, ya que les permite manejar escenarios posibles en

base a generalizaciones.

El origen de la probabilidad reside en la necesidad del ser humano de anticiparse a los hechos, y

de predecir en cierta medida el futuro. Así, en su empeño por percibir patrones y conexiones en

la realidad, se enfrentó constantemente al azar, o sea, a lo que carece de orden.

El cálculo de las probabilidades se lleva a cabo según la fórmula siguiente:

Probabilidad = Casos favorables / casos posibles x 100 (para llevarlo a porcentaje)

Así, por ejemplo, podemos calcular la probabilidad de que una moneda salga cara en un único

lanzamiento, pensando que sólo puede salir una cara (1) de las dos que hay (2), esto es, 1 / 2 x

100 = 50% de probabilidad.

En cambio, si decidimos calcular cuántas veces saldrá la misma cara en dos lanzamientos

seguidos, deberemos pensar que el caso favorable (cara y cara o sello y sello) es uno entre cuatro

posibilidades de resultado (cara y cara, cara y sello, sello y cara, sello y sello). Por ende, 1 / 4 x

100 = 25% de probabilidad.

Experimento:

Un experimento, en estadística, es cualquier proceso que proporciona datos, numéricos o no

numéricos.

Un experimento aleatorio o estadístico tiene las siguientes características:

o Todos los posibles resultados del experimento son conocidos antes de hacer una

realización del experimento.

o El resultado exacto en cualquier ejecución del experimento no es predecible

(aleatoriedad).

o El experimento puede ser repetido bajo (más o menos) idénticas condiciones.

o Existe un patrón predictible a lo largo de muchas ejecuciones (regularidad estadística).

Por lo tanto un experimento aleatorio es la reproducción controlada de un fenómeno, existiendo

incertidumbre sobre el resultado que se obtendrá. Un experimento aleatorio bajo el mismo

conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, es decir, no se

puede predecir o reproducir el resultado exacto de cada experiencia particular.

Ejemplo: Lanzamiento de un dado, lanzamiento de una moneda, lanzamiento de una carta de una

baraja.

Evento aleatorio.

En la teoría de la probabilidad, un evento aleatorio o fuente de sucesos aleatorio es un

subconjunto de un espacio muestral, es decir, un conjunto de posibles resultados que se pueden

dar en un experimento aleatorio. En teoría de la probabilidad a cada evento aleatorio se le puede

asignar una medida de probabilidad, y el conjunto de todos los sucesos aleatorios constituye una

σ-álgebra de conjuntos.

Espacio muestral.

En la teoría de probabilidades, el espacio muestral o espacio de muestreo (denotado E, S, Ω o U)

consiste en el conjunto de todos los posibles resultados de un experimento aleatorio, junto con

una estructura sobre el mismo.

El espacio muestral se denota con la letra griega Ω (Omega).

Un ejemplo de espacio muestral en el lanzamiento de una moneda sería:

Ω = {C, X}

Dónde C es cara y X es cruz. Esto es, los posibles resultados son cara o cruz.

Supongamos el caso de un dado con 6 caras. Enumeradas del 1 al 6 ¿Cuál sería el espacio

muestral del experimento lanzar un dado una sola vez?

Ω = {1, 2, 3, 4, 5, 6}

Suceso.

En la Estadística un suceso es cualquier subconjunto de un espacio muestral, es decir, es cada

uno de los posibles resultados que se pueden dar dentro de un experimento aleatorio.

Tipos de probabilidad:

o Frecuencial. Aquella que determina la cantidad de veces que un fenómeno puede ocurrir,

considerando un número determinado de oportunidades, a través de la experimentación.

o Matemática. Pertenece al ámbito de la aritmética, y aspira al cálculo en cifras de la

probabilidad de que determinados eventos aleatorios tengan lugar, a partir de la lógica

formal y no de su experimentación.
o Binomial. Aquella en la que se estudia el éxito o fracaso de un evento, o cualquier otro

tipo de escenario probable que tenga dos posibles resultados únicamente.

o Objetiva. Se denomina así a toda probabilidad en la que conocemos de antemano la

frecuencia de un evento, y simplemente se dan a conocer los casos probables de que

ocurra dicho evento.

o Subjetiva. Contrapuesta a la matemática, se sustenta en ciertas eventualidades que

permiten inferir la probabilidad de un evento, aunque alejada de una probabilidad certera

o calculable. De allí su subjetividad.

o Hipergeométrica. Aquella que se obtiene gracias a técnicas de muestreo, creando grupos

de eventos según su aparición.

o Lógica. La que posee como rasgo característico que establece la posibilidad de ocurrencia

de un hecho a partir de las leyes de la lógica inductiva.

o Condicionada. Aquella que se emplea para comprender la causalidad entre dos hechos

distintos, cuando puede determinarse la ocurrencia de uno tras la ocurrencia del otro.
Definición Axiomática de probabilidad.

En 1933 el matemático ruso Andrei Kolmogorov propuso una definición de probabilidad, que es

la que seguimos utilizando hoy en día.

Los axiomas de probabilidad son las condiciones mínimas que deben verificarse para que una

función definida sobre un conjunto de sucesos determine consistentemente sus probabilidades.

Para hacer una definición rigurosa de la probabilidad, necesitamos precisar ciertas leyes o

axiomas que debe cumplir una función de probabilidad. Intuitivamente, estos axiomas deberían

implicar, entre otras, las siguientes cuestiones, que son lógicas en términos de lo que se puede

esperar de una función de probabilidad:

o La probabilidad sólo puede tomar valores comprendidos entre 0 y 1 (no puede haber

sucesos cuya probabilidad de ocurrir sea del 200% ni del -5%).

o La probabilidad del suceso seguro es 1, es decir, el 100%.

o La probabilidad del suceso imposible debe ser 0.

o La probabilidad de la intersección de dos sucesos debe ser menor o igual que la

probabilidad de cada uno de los sucesos por separado.

o La probabilidad de la unión de sucesos debe ser mayor o igual que la de cada uno de los

sucesos por separado,

Más aún, si los sucesos son disjuntos (incompatibles) debe ocurrir que:
 o La probabilidad del Suceso contrario a un suceso A de A, debe valer

Esto en realidad puede deducirse del siguiente razonamiento:

Distribuciones discretas y continuas (definición de cada uno).

Las distribuciones de probabilidad son distribuciones de probabilidad continuas o distribuciones

de probabilidad discretas, dependiendo de si definen probabilidades para variables continuas o

discretas.

Distribuciones discretas:

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una variable

aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que tiene valores

contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria discreta

puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una distribución de

probabilidad discreta suele representarse en forma tabular.

Distribuciones continuas:

Una distribución continua describe las probabilidades de los posibles valores de una variable

aleatoria continua. Una variable aleatoria continua es una variable aleatoria con un conjunto de

valores posibles (conocido como el rango) que es infinito y no se puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el área por debajo

de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden tener una probabilidad

diferente de cero. La probabilidad de que una variable aleatoria continua equivalga a algún valor

siempre es cero.
Muestreo, diseño muestral y error (definición de cada uno).

Muestreo:

En la estadística se conoce como muestreo al proceso de seleccionar un conjunto de individuos

de una población con el fin de estudiarlos y poder caracterizar el total de la población.

En ocasiones en que no es posible o conveniente realizar un censo(analizar a todos los

elementos de una población), se selecciona una muestra, entendiendo por tal una parte

representativa de la población.

El muestreo es por lo tanto una herramienta de la investigación científica, cuya función básica

es determinar qué parte de una población debe examinarse, con la finalidad de hacer inferencias

sobre dicha población. La muestra debe lograr una representación adecuada de la población, en

la que se reproduzca de la mejor manera los rasgos esenciales de dicha población que son

importantes para la investigación. Para que una muestra sea representativa, y por lo tanto útil,

debe de reflejar las similitudes y diferencias encontradas en la población, es decir ejemplificar

las características de ésta.

Diseño muestral:

El diseño muestral puede entenderse como el conjunto de estrategias y procedimientos

encaminados a seleccionar una muestra de una población objetivo de estudio, que cumple con

una serie de características estadísticamente deseables que sirven para asegurar niveles

establecidos de precisión y mantener en lo posible, la inclusión de errores y sesgos baja.

El diseño de muestra es la metodología que se encarga de decirle al investigador la manera cómo

va a realizar mediciones en campo. Es el instrumento con el que se cuenta para llegar a los
individuos que son de interés de una forma objetiva y además permite asegurar que con los datos

recolectados se pueda hacer inferencia estadística.

Error de muestreo:

El error de muestreo es la desviación de la muestra seleccionada de las verdaderas

características, rasgos, comportamientos, cualidades o figuras de toda la población.

El error del proceso de muestreo ocurre cuando los investigadores toman diferentes sujetos de la

misma población, y aún así, los sujetos tienen diferencias individuales. Cuando se toma una

muestra, se trata de un subconjunto de toda la población y, por lo tanto, puede haber una

diferencia entre la muestra y la población.

La causa más frecuente de dicho error es un procedimiento de muestreo sesgado. Todo

investigador debe tratar de establecer una muestra que esté libre de sesgos y sea representativa de

toda la población. Así, el investigador es capaz de minimizar o eliminar el error de muestreo.

Técnicas de muestreo: probabilístico y no probabilístico (definición y tipos de cada uno).

Técnicas de muestreo:

Las técnicas de muestreo son un conjunto de técnicas estadísticas que estudian la forma de

seleccionar una muestra representativa de la población, es decir, que represente lo más fielmente

posible a la población a la que se pretende extrapolar o inferir los resultados de la investigación,

asumiendo un error ponderable y determinado.

 Muestreo probabilístico:

El muestreo probabilístico es un método de muestreo (muestreo se refiere al estudio o el análisis

de grupos pequeños de una población) que utiliza formas de métodos de selección aleatoria.

Tipos de muestreo probabilístico:

o Muestreo aleatorio simple: se elige totalmente al azar entre todos los que forman parte

de la población.

o Muestreo estratificado se clasifican distintas partes o secciones existentes de la

población según alguna característica propia de cada parte (como nivel económico o

profesional, por ejemplo) y se toma la muestra en cada una de manera totalmente

aleatoria. En este caso hablamos de afijación para referirnos a la importancia relativa que

damos a cada sección estudiada por separado, si todos las partes tienen el mismo número

de muestra será afijación simple, si cada parte tiene muestras proporcionales al tamaño de

esa parte afijación proporcional y será afijación óptima si el tamaño de la muestra de cada

parte responde al análisis de la importancia que tendrá para el dato a estudiar.

 o Muestreo de conglomerados: es exactamente igual que la anterior pero en este caso las

secciones o grupos en que dividimos la población ya existen naturalmente, como los

vecinos de un barrio o los trabajadores de un centro comercial.

o Muestreo sistemático: en este sistema, antes de comenzar a elegir las muestras, todos los

individuos tienen la misma posibilidad de pertenecer a ella, pero solo el primer elegido es

totalmente aleatorio porque, a partir de él, se eligen por un orden establecido (por

ejemplo, contando determinado número) que se fijará de acuerdo con el tamaño de la

población y de la muestra que podemos asumir.

 Muestreo no probabilístico:

El muestreo no probabilístico obtiene muestras sin que todos los individuos de la población

tengan posibilidades iguales de ser elegidos; esto suele ser así porque está fuera de las

posibilidades económicas y técnicas del estudio acceder a una muestra probabilística (por

ejemplo, si queremos estudiar a todos los alumnos de instituto pero solo tenemos acceso a los de

la ciudad y no a los del campo).

Tipos de muestreo no probabilístico:

o Muestreo intencional, opinático o de convivencia: se escogen como muestra los casos

que, según la opinión del investigador, van a ser más representativos.

o Muestreo por conveniencia: sencillamente, se estudia lo que se tiene a mano sin ningún

criterio además de eso.

o Muestreo consecutivo: igual que en el caso anterior se estudia sólo lo que está a nuestro

alcance pero aquí se exige que se estudie a todos los sujetos a los que podemos acceder

sin excepciones.
 Es un poco más representativo que el anterior porque existe una característica común a

todos los sujetos de la muestra, ser accesibles.

o Muestreo por cuotas: al igual que en el muestreo por conglomerado las muestras se

escogen de distintos estratos de la población con características comunes pero aquí no se

hace de manera aleatoria sino por elección del investigador de las que estima van a ser

más representativas.

o Muestreo bola de nieve: se estudia a un primer sujeto y le pedimos que sea él quien elija

al siguiente a estudiar (porque estime que cumple determinadas características en común

con él) y así sucesivamente.

Tamaño y procedimientos para seleccionar una muestra (definición y ejemplo).

Tamaño de una muestra:

En estadística el tamaño de la muestra se le conoce como aquel número determinado de sujetos o

cosas que componen la muestra extraída de una población, necesarios para que los datos

obtenidos sean representativos de la población. Es muy importante para el uso de cantidades

grandes, fáciles y rápidas.

Objetivos de la determinación del tamaño adecuado de una muestra:

1.- Estimar un parámetro determinado con el nivel de confianza deseado.

2.- Detectar una determinada diferencia, si realmente existe, entre los grupos de estudio con

un mínimo de garantía.

3.- Reducir costes o aumentar la rapidez del estudio.

Por ejemplo, en un estudio de investigación epidemiológico la determinación de un tamaño

adecuado de la muestra tendría como objetivo su factibilidad. Así:

1.- Si el número de sujetos es insuficiente habría que modificar los criterios de selección,

solicitar la colaboración de otros centros o ampliar el período de reclutamiento. Los

estudios con tamaños muestrales insuficientes, no son capaces de detectar diferencias

entre grupos, llegando a la conclusión errónea de que no existe tal diferencia.

 2.- Si el número de sujetos es excesivo, el estudio se encarece desde el punto de vista

económico y humano. Además es poco ético al someter a más individuos a una

intervención que puede ser menos eficaz o incluso perjudicial.

El tamaño de una muestra es el número de individuos que contiene.

 Una fórmula muy extendida que orienta sobre el cálculo del tamaño de la muestra para

datos globales es la siguiente:

o N: es el tamaño de la población o universo (número total de posibles encuestados).

o Zα: es una constante que depende del nivel de confianza que asignemos. El nivel de

confianza indica la probabilidad de que los resultados de nuestra investigación sean

ciertos: un 95,5 % de confianza es lo mismo que decir que nos podemos equivocar con

una probabilidad del 4,5%. Los valores de Zα se obtienen de la tabla de la distribución

normal estándar N(0,1).

Los valores de Zα más utilizados y sus niveles de confianza son:

(Por tanto si pretendemos obtener un nivel de confianza del 95% necesitamos poner en la

fórmula Zα=1.96)

o e: es el error muestral deseado, en tanto por ciento. El error muestral es la diferencia que

puede haber entre el resultado que obtenemos preguntando a una muestra de la población

y el que obtendríamos si preguntáramos al total de ella. Ejemplos:

 Ejemplo 1: si los resultados de una encuesta dicen que 100 personas comprarían un

producto y tenemos un error muestral del 5% comprarán entre 95 y 105 personas.

Ejemplo 2: si hacemos una encuesta de satisfacción a los empleados con un error

muestral del 3% y el 60% de los encuestados se muestran satisfechos significa que entre

el 57% y el 63% (60% +/- 3%) del total de los empleados de la empresa lo estarán.

Ejemplo 3: si los resultados de una encuesta electoral indicaran que un partido iba a

obtener el 55% de los votos y el error estimado fuera del 3%, se estima que el porcentaje

real de votos estará en el intervalo 52-58% (55% +/- 3%).

o p: proporción de individuos que poseen en la población la característica de estudio. Este

dato es generalmente desconocido y se suele suponer que p=q=0.5 que es la opción más

segura.

o q: proporción de individuos que no poseen esa característica, es decir, es 1-p.

o n: tamaño de la muestra (número de encuestas que vamos a hacer).

 La fórmula para calcular el tamaño de muestra cuando se desconoce el tamaño de la

población es la siguiente:

En donde:

o Z = nivel de confianza.

o P = probabilidad de éxito, o proporción esperada.

o Q = probabilidad de fracaso.

o D = precisión (error máximo admisible en términos de proporción)

  La fórmula para calcular el tamaño de muestra cuando se conoce el tamaño de la

población es la siguiente:

En donde:

o N = tamaño de la población.

o Z = nivel de confianza.

o P = probabilidad de éxito, o proporción esperada.

o Q = probabilidad de fracaso.

o D = precisión (Error máximo admisible en términos de proporción).

Procedimientos para seleccionar una muestra:

1.- Para definir la población objetivo, se debe tener claridad absoluta sobre el objetivo

general del estudio, ya que éste será el guía para todos los pasos posteriores.

2.- Definir la población objetivo:

o Elemento muestral: Es el elemento del cual se obtiene la medición.

o Unidad muestral: Está compuesta por elementos muestrales, en algunos  casos es

igual al elemento muestral.

o Alcance: Hace referencia a la ubicación espacial y geográfica del estudio.

o Tiempo: Definir el intervalo de tiempo en el cual se realiza la investigación.

o Marco muestral: Es un listado de todas las unidades que conforman la población

objetivo, puede ser una base de datos, un plano e incluso mapas. Es útil aclarar,
 que en la práctica se diferencia la población objetivo de la población en estudio

(marco muestral disponible).

3.- Seleccionar un procedimiento.

4.- Definir el tamaño de la muestra (Según el tipo de muestreo la Estadística proporciona

fórmulas para calcular el tamaño muestral).

5.- Seleccionar las unidades muéstrales.

Estimadores (definición y propiedades).

Estimador:

En estadística, un estimador es un estadístico (medida cuantitativa, derivada de un conjunto de

datos de una muestra, con el objetivo de estimar o inferir características de una población o

modelo estadístico) al que se le exigen ciertas condiciones para que pueda calcular con garantías

parámetros desconocidos de una población.

Propiedades recomendables de un estimador:

Para que cumpla bien su función, además de que los estimadores cumplan su condición básica de

estimadores, es recomendable que cumplan ciertas propiedades adicionales. Estas propiedades

son las que permitirán que las conclusiones extraídas de nuestro estudio sean fiables.

 Suficiente: La propiedad de suficiencia indica que el estimador trabaja con todos los

datos de la muestra. Por ejemplo, la media no escoge solo el 50% de los datos. Tiene en

cuenta el 100% de los datos para calcular el parámetro.

 Insesgado: La propiedad de insesgadez hace referencia a la centralidad de un estimador.

Es decir, la media de un estimador debe coincidir con el parámetro a estimar. No

debemos confundir media de un estimador con el estimador media.

 Consistente: El concepto de consistencia va aparejado del tamaño de la muestra y del

concepto de límite. En palabras sencillas, viene a decirnos que los estimadores cumplen

esta propiedad cuando, en caso de que la muestra sea muy grande, puedan estimar casi

sin error.

 Eficiente: La propiedad de eficiencia puede ser absoluta o relativa. Un estimador es

eficiente en sentido absoluto cuando la varianza del estimador es mínima. No debemos

confundir varianza de un estimador con estimador varianza.

 Robusto: Se dice que un estimador es robusto en caso de que, a pesar de que la hipótesis

de partida sea incorrecta, los resultados se asemejan mucho a los reales.