INTRODUCCION

La distribución de muestreo de una estadística es la distribución de

esa estadística, considerada como una variable aleatoria, cuando se
deriva de una muestra aleatoria de tamaño “n”. Se puede considerar
como la distribución de la estadística para todas las muestras posibles
de la misma población de un tamaño de muestra dado. La distribución
del muestreo depende de la distribución subyacente de la población, la
estadística que se considera, el procedimiento de muestreo empleado
y el tamaño de muestra utilizado. A menudo existe un considerable
interés en si la distribución muestral puede aproximarse mediante una
distribución asintótica, que corresponde al caso límite ya que el
número de muestras aleatorias de tamaño finito, tomadas de una
población infinita y utilizadas para producir la distribución, tiende a
infinito. , o cuando se toma una "muestra" del mismo tamaño infinito de
esa misma población.
Por ejemplo, considere una población normal con una media  y
varianza . Supongamos que repetidamente tomamos muestras de un
tamaño dado de esta población y calculamos la media aritmética  para
cada muestra: esta estadística se denomina media muestral. La
distribución de estos medios, o promedios, se denomina "distribución
muestral de la media muestral". Esta distribución es normal  (n es el
tamaño de la muestra) ya que la población subyacente es normal,
aunque las distribuciones de muestreo también pueden estar a
menudo cerca de lo normal, incluso cuando la distribución de la
población no lo es (véase el teorema del límite central). Una alternativa
a la media muestral es la mediana de la muestra. Cuando se calcula a
partir de la misma población, tiene una distribución de muestreo
diferente a la de la media y generalmente no es normal (pero puede
estar cerca para tamaños de muestra grandes).
La media de una muestra de una población que tiene una distribución
normal es un ejemplo de una estadística simple tomada de una de las
poblaciones estadísticas más simples.

Página
3
 DISTRIBUCION MUESTRAL

En estadística, la distribución muestral es lo que resulta de

considerar todas las muestras posibles que pueden ser tomadas de
una población. Su estudio permite calcular la probabilidad que se
tiene, dada una sola muestra, de acercarse al parámetro de la
población. Mediante la distribución muestral se puede estimar el error
para un tamaño de muestra dado.

DISTRIBUCIÓN DE VARIANZA

En teoría de probabilidad, la varianza o variancia (que suele

representarse como ơ2 ) de una variable aleatoria es una medida de
dispersión definida como la esperanza del cuadrado de la desviación
de dicha variable respecto a su media.
Su unidad de medida corresponde al cuadrado de la unidad de medida
de la variable: por ejemplo, si la variable mide una distancia en metros,
la varianza se expresa en metros al cuadrado. La varianza tiene como
valor mínimo 0. La desviación estándar (raíz cuadrada de la varianza)
es una medida de dispersión alternativa, expresada en las mismas
unidades que los datos de la variable objeto de estudio.
Hay que tener en cuenta que la varianza puede verse muy influida por
los valores atípicos y no se aconseja su uso cuando las distribuciones
de las variables aleatorias tienen colas pesadas. En tales casos se
recomienda el uso de otras medidas de dispersión más robustas.

Página
4
El Cálculo de probabilidad en una distribución muestral de varianzas
nos sirve para saber cómo se va a comportar la varianza o desviación
estándar en una muestra que proviene de una distribución normal.

También es utilizada para obtener una estimación por intervalos y

realizar pruebas de hipótesis para una varianza poblacional. Su uso
principal es para estimar riesgos en inversiones (el riesgo depende
de la varianza). Para aplicar el teorema central del límite, para estimar
desigualdades en ingresos, rentas entre otros.

DISTRIBUCION DE UNA PROPORCION

Existen ocasiones en las cuales no estamos interesados en la media
de la muestra, sino que queremos investigar la proporción de artículos
defectuosos o la proporción de personas con teléfono, etc en la
muestra. La distribución muestral de proporciones es la adecuada para
dar respuesta a estas situaciones. Esta distribución se genera de igual
manera que la distribución muestral de medias, a excepción de que al
extraer las muestras de la población s e calcula el estadístico
proporción (p=x/n en donde “x” es el número de éxitos u
observaciones de interés y “n” el tamaño de la muestra) en lugar de la
media de cada muestra que era lo que calculamos antes.

Página
5
Para conocer la distribución muestral de una estadística deberíamos
considerar todas las posibles muestras de un tamaño n, de una
población.

Si P representa la proporción de elementos en una población con

cierta característica de interés, es decir, la proporción de “éxitos”,
donde “éxito” corresponde a tener la característica. Si sacamos
muestras aleatorias simples de tamaño n de la población donde la
proporción de “éxitos” es P, entonces la distribución muestral de la
proporción muestral tiene las siguientes propiedades:

1. El promedio de todos los valores posibles de p$ es igual al

parámetro P. En otras palabras, p$ es un estimador
insesgado de P. µ=P
2. Error estándar de la proporción muestral: Es la desviación
estándar de las posibles proporciones muéstrales y mide la
dispersión de la proporción muestral.

La distribución muestral de proporciones está estrechamente

relacionada con la distribución binomial; una distribución binomial es
una distribución del total de éxitos en las muestras, mientras que una
distribución de proporciones es la distribución de un promedio (media)
de los éxitos. Como consecuencia de esta relación, las afirmaciones
probabilísticas referentes a la proporción muestral pueden evaluarse
usando la aproximación normal a la binomial.

Una distribución binomial es, por ejemplo, si echamos una moneda al

aire y observamos el lado que cae. Está claro que sólo hay dos
posibilidades. Ahora bien, la probabilidad de que caiga la moneda de
cualquier lado es la misma siempre que ésta no esté cargada. Como
cada caso tiene igual probabilidad de ocurrir, y siendo la suma de
probabilidades siempre igual a 1, entonces la probabilidad de que
caiga la moneda de algún lado es 0.5. Si realizamos el experimento n
veces y queremos saber la probabilidad de que salga águila o sol x
veces, entonces usamos una distribución binomial.

Página
6
 APLICACIÓN CON DISTRIBUCION
PROBABILISTICA EN LA EXPLOTACION DE
HIDROCARBURO

Método de monte Carlo

Es utilizado básicamente para la determinación probabilística del

volumen de hidrocarburo en sitio. Por lo tanto; se toman muestras de
la distribución de probabilidad de cada uno de los parámetros
considerados estadísticos y luego son sustituidos en la ecuación del
método volumétrico, el método que se está utilizando en este caso es
el de Monte Carlo para el cálculo volumétrico de hidrocarburo en sitio;
luego de tener la ecuación, agarro las variables y determino un valor
aleatorio que este entre los rangos permitido de esa variable y que
siga la distribución de esa variable que puede ser uniforme o no,
exponencial, logarítmica, normal, log-normal, etc. y finalmente calculo
el valor de esa variable; este proceso se pude repetir muchas veces,
¿Cuántas veces? La cantidad de veces que se quiera, mientras más
veces lo repita, se va a tener una mayor cantidad de valores para
construir el histograma de frecuencia y así va hacer más continúa la
curva de distribución de probabilidades.

Los valores de N son ordenados en sentido creciente, asignándole a

cada uno un valor de frecuencia acumulada; es decir, se construye
una tabla de distribución de frecuencia, con rangos de valores entre el
menor valor del POES y el mayor valor de POES en cada intervalo de
valores; luego se coloca todo el POES que se calculó, que cayeron
dentro de ese intervalo y eso va hacer la frecuencia, la sumatoria de
cada una de esa me va a dar la frecuencia acumulada.

Si se grafica la frecuencia acumulada versus N, obtendremos una

función de distribución acumulada de estos valores. 

Página
7
Función de distribución de frecuencia acumulada

El gráfico puede interpretarse como la probabilidad de que el valor del

POES sea considerado menor o igual a N. Por ejemplo; tomo un punto
de la gráfica, leo cual es la frecuencia; por ejemplo, es de un 50%, la
probabilidad de que el POES sea menor o igual a 50% es que el
POES es tanto o existe un 50% de probabilidad de que el POES sea
menor o igual a ese valor que está ahí, eso se extrae de la curva; es
decir, existe una probabilidad de 50% de que el POES sea menor o
igual a ese valor y con eso va a utilizar la curva. Entonces; el POES
correspondiente a una frecuencia de 50% sería el valor promedio del
yacimiento, sería el POES promedio de un 50% de probabilidad.

Generalmente; cuando se calcula el POES por el método de Monte

Carlo y esa es la frecuencia acumulada, si se grafica el histograma de
frecuencia, el comportamiento generalmente es de tipo normal. Las
mayorías de los valores les van a dar cercano a un valor, que va hacer
su valor promedio y van a tener valores más alejados de ese valor
promedio.

Página
8
 CONCEPTOS TEXTUALES

Varianza: La varianza mide qué tan dispersos están los datos

alrededor de la media. La varianza es igual a la desviación estándar
elevada al cuadrado.

Monitorear la varianza es esencial en las industrias de manufactura y

control de calidad, porque con la reducción de la varianza del proceso
aumenta la precisión y disminuye el número de defectos. 

Proporción probabilística: Proporción es un término que procede del

vocablo latino proportĭo. Se trata de la correspondencia, el equilibrio o
la simetría que existe entre los componentes de un todo. La proporción
puede calcularse entre los elementos y el todo o entre los propios
elementos.

Muestra: En estadística, una muestra es un subconjunto de casos o

individuos de una población. En diversas aplicaciones interesa que
una muestra sea una muestra representativa y para ello debe
escogerse una técnica de muestra adecuada que produzca una
muestra aleatoria adecuada (se obtiene una muestra sesgada cuyo
interés y utilidad es más limitado dependiendo del grado de sesgo que
presente).
Como un subgrupo o subconjunto representativo de la población,
extraída seleccionada por algún método de muestreo. La muestra
siempre es una parte de la población. Si se tienen varias poblaciones,
entonces se tendrán varias muestras. La muestra debe poseer toda la
información deseada para tener la posibilidad de extraerla, esto solo
se puede lograr con una buena selección de la muestra y un trabajo
muy cuidadoso y de alta calidad en la recogida de datos.

Página
9
 CONCLUSION
En conclusión la distribución del muestreo depende de la distribución
subyacente de la población, la estadística que se considera, el
procedimiento de muestreo empleado y el tamaño de muestra
utilizado. A menudo existe un considerable interés en si la distribución
muestral puede aproximarse mediante una distribución asintótica, que
corresponde al caso límite ya que el número de muestras aleatorias de
tamaño finito, tomadas de una población infinita y utilizadas para
producir la distribución, tiende a infinito. , o cuando se toma una
"muestra" del mismo tamaño infinito de esa misma población.

En las diferentes industrias las distribuciones probabilísticas son muy

importantes ya que ayudan a saber sobre las ganancias que puede
tener una empresa o de igual manera las perdidas, asi como para
calcular alguna cantidad de objetos que necesiten en la empresa.

En lo que es la industria petrolera se utiliza mucho lo que es el método

de monte Carlo para hallar la probabilidad de hidrocarburo que podría
haber en una zona determinada.

BIBLIOGRAFIA
 https://prezi.com/unsorljfmjar/distribucion-de-la-varianza-
muestral/

 https://www.ugr.es/~mvargas/tema6sd.pdf

 http://www.geociencias.unam.mx/~ramon/EstInf/Clase5.pdf

Página
10