Documentos de Académico
Documentos de Profesional
Documentos de Cultura
APLICADA II
TABLA DE CONTENIDO
JUSTIFICACIÓN..................................................................................................................2
OBJETIVOS..........................................................................................................................2
OBJETIVO GENERAL....................................................................................................2
OBJETIVOS ESPECÍFICOS..........................................................................................2
UNIDAD 1: INTRODUCCIÓN A LAS PROBABILIDADES..........................................4
1. TEORIA DE CONJUNTOS Y TEORIA DE PROBABILIDAD..............................5
1.1. TEORIA DE CONJUNTOS.................................................................................5
1.1.1. Descripción de un conjunto por extensión o tabulación..................5
1.1.2. Descripción de un conjunto por compresión.......................................6
1.1.3. Descripción de un conjunto por diagrama de Venn..............................6
1.2. CLASIFICACIÓN DE CONJUNTOS.....................................................................7
1.2.1. Conjunto vacío.................................................................................................7
1.2.2. Conjunto unitario............................................................................................7
1.2.3. Conjunto finito.................................................................................................7
1.2.4. Conjunto infinito..............................................................................................7
1.2.5. Conjunto universo..........................................................................................8
1.3. CUANTIFICADORES..............................................................................................8
1.3.1. Cuantificador universal.................................................................................8
1.3.2. Cuantificador existencial..............................................................................9
1.4. SUBCONJUNTOS...................................................................................................9
1.5. OPERACIONES ENTRE CONJUNTOS............................................................10
1.5.1. Unión................................................................................................................10
1.5.2. Intersección....................................................................................................10
1.5.3. Complemento.................................................................................................11
1.5.4. Diferencia........................................................................................................12
1.5.5. Diferencia simétrica..........................................................................................13
2. PROBABILIDAD........................................................................................................15
2.1. AXIOMAS DE LA PROBABILIDAD...............................................................16
2.2. REGLA DE LA SUMA DE PROBABILIDADES...........................................16
2.2.1. La regla de adición o regla de la suma si los eventos son mutuamente
excluyentes................................................................................................................17
2.3. PROBABILIDAD CONDICIONAL...................................................................18
2.4. PROBABILIDAD ESTADÍSTICA....................................................................22
2.5. REGLA DE LA MULTIPLICACION DE PROBABILIDADES....................24
2.6. REGLA DE BAYES...........................................................................................26
UNIDAD 2: DISTRIBUCIONES DISCRETAS DE PROBABILIDAD........................28
1. DISTRIBUCIÓN DE PROBABILIDAD DE VARIANZAS ALEATORIAS DISCRETAS
29
2. MEDIA Y VARIANZA DE UNA DISTRIBUCIÓN DE PROBABILIDADES......34
2.1. LA MEDIA O VALOR ESPERADO................................................................34
2.2. VARIANZA..........................................................................................................34
2.3. DESVIACIÓN ESTÁNDAR..............................................................................35
3. DISTRIBUCIÓN BINOMIAL.....................................................................................39
3.1. PROPIEDADES DE LA DISTRIBUCIÓN BINOMIAL..................................39
4. DISTRIBUCIÓN DE POISSON............................................................................41
UNIDAD 3: DISTRIBUCIONES CONTINÚAS DE PROBABILIDAD........................45
1. DISTRIBUCION NORMAL DE PROBABILIDAD.................................................46
1.1. LA DISTRIBUCIÓN NORMAL ESTÁNDAR.................................................48
1.2. DISTRIBUCIÓN NORMAL NO ES ESTANDARIZADA..............................49
UNIDAD 4: MUESTREO Y DISTRIBUCIONES MUESTRALES...............................52
1. INTRODUCCION AL MUESTREO.........................................................................53
1.1. ERRORES EN EL MUESTREO......................................................................54
1.1.1. El error muestral.........................................................................................54
1.1.2. El error no muestral...................................................................................54
1.2. TIPOS DE MUESTREO....................................................................................55
1.2.1. Muestreo probabilístico............................................................................55
1.2.2. Métodos de muestreo no probabilísticos............................................58
2. DISTRIBUCIONES MUESTRALES.......................................................................59
2.1. DISTRIBUCION MUESTRAL DE LA MEDIA...............................................59
JUSTIFICACIÓN
OBJETIVO GENERAL
OBJETIVOS ESPECÍFICOS
Decidir qué tipos de graficas se debe diseñar para diferentes tipos de datos.
Los conjuntos se definen habitualmente usando llaves “{… }” y estos pueden ser
descritos de distintas formas como se las mencionará a continuación. Se pueden
describir por: extensión o tabulación, comprensión y por diagrama de ven
Se conoce como descripción por extensión al describir los elementos de un conjunto uno
a uno. Si un conjunto llega a tener varios elementos se puede hacer uso de los puntos
suspensivos. Un ejemplo claro pueden ser el conjunto de los números pares. 𝐴 =
{2,4,6,8, … }
Ejemplo.
Descripción.
El conjunto A está conformado por partes de una computadora: mouse, teclado, monitor,
CPU, Impresora
Notación matemática.
1. Descripción.
Sea A el conjunto de los elementos de x tales que x son todas las vocales.
Notación matemática.
B = { /𝓍 es una vocal }
Descripción.
Notación matemática.
Los conjuntos se clasifican de acuerdo a la cantidad de elementos que poseen. Es por ello
que se clasifican en los siguientes tipos de conjuntos:
1.2.1. Conjunto vacío.
Son los que tienen un número de elementos conocidos y estos por ende se pueden
contabilizar. Por ejemplo, sea el conjunto 𝐴 = {𝑥/𝑥 𝑒𝑠 𝑣𝑜𝑐𝑎𝑙} el cual es un conjunto finito con
una cardilanidad (𝐴) = 5..
1.2.4. Conjunto infinito
Un conjunto se denomina infinito cuando posee una cantidad ilimitada de elementos y por
ende es difícil de contabilizar. Por ejemplo, sea el conjunto B={x/x es constelaciones del
universo}, el cual es un conjunto infinito ya que es imposible saber el número exacto de
constelaciones que hay en el universo.
1. Definición.
𝑈 = {𝑎𝑛𝑖𝑚𝑎𝑙𝑒𝑠}
2. Grafica.
1.3. CUANTIFICADORES.
Son tipos de expresiones con las cuales podemos indicar cuantos elementos,
pertenecientes a un determinado conjunto, cumplen con ciertas propiedades ya sean
pertenencia, equivalencia, entre otras
.
El cuantificador universal forma parte de un lenguaje formal que tiene expresiones como:
“para todo”, “todo”, “cada”, “para cada”, que indican si un elemento cumple con ciertas
leyes. Su símbolo es (∀).
Ejemplo
1. Descripción.
2. Notación matemática.
Ejemplo.
Sean: A el conjunto de nombre de estudiante que estudia la carrera de Administración
publica
B el conjunto de estudiantes mayores de 18 años.
1. Descripción.
Sea A, el conjunto de los elementos de x tales que x es estudiante de la carrera de
ingeniería en sistemas
Sea B, el conjunto de los elementos de x tales que x es estudiante mayor de 18 años.
2. Notación matemática.
𝑥: (𝑥) (𝑥) Existen estudiantes de la de la carrera de ingeniería en teleinformática que son
mayores de 18 años.
1.4. SUBCONJUNTOS
Ejemplo
2. Notación matemática. 𝐵 ⊂ 𝐴
3. Gráfica.
1.5. OPERACIONES ENTRE CONJUNTOS.
Los conjuntos son una colección ordenada o desordenada de elementos, estos se los
puede combinar de varias maneras distintas y por lo tanto se pueden realizar distintas
operaciones diferentes.
1.5.1. Unión
La unión entre dos o más conjuntos es un nuevo conjunto
conformado por la agrupación de todos los objetos o
elementos de los conjuntos que intervienen. El símbolo es
la letra: ∪. A 𝐵 = {𝑥 / 𝑥 ∈ 𝐴 𝑜 𝑥 ∈ 𝐵}
Ejemplo
𝐴 = {𝐴𝑚𝑖𝑔𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑓𝑎𝑐𝑢𝑙𝑡𝑎𝑑}
Defina 𝐴𝑈𝐵.
1.5.2. Intersección
La intersección entre dos conjuntos, sean estos 𝐴 y 𝐵, es el conjunto formado
por todos los objetos o elementos que pertenecen a los conjuntos 𝐴 y 𝐵 a la
vez. 𝐴 ∩ 𝐵 = {𝑥 / 𝑥𝐴 𝑦 𝑥 ∈ 𝐵}
Ejemplo
𝐵 = {2, 5, 7, 8, 9},
1. Definición de conjuntos.
𝐴 = {2,4,6,8,10,12,14,16,18,20 … }
𝐵 = {2, 5, 7, 8, 9}
2. Solución. 𝐴 ∩ 𝐵 = {2,8}
Cálculos matemáticos.
(𝐵) = 5
(𝐴 ∩ 𝐵) = 2
2. Gráfica.
1.5.3. Complemento
1. Definición de conjuntos.
𝐵 = {2, 4, 5, 7, 8, 9}
3. Cálculos matemáticos.
4. Gráfica.
3. Interpretación de resultado. La diferencia de los conjuntos 𝐴 − 𝐵 estará formada por todos
los elementos que estén en A y no en B.
Ejemplo
Dado un conjunto D, conformado por nombres de estudiantes que piensan que Python es
más sencillo que C:
𝐷= {𝐾𝑒𝑙𝑣𝑖𝑛,𝑃𝑒𝑑𝑟𝑜,𝑀𝑎𝑟𝑡ℎ𝑎,𝐾𝑎𝑟𝑙𝑎,𝑀𝑒𝑙𝑖𝑠𝑠𝑎}
y un conjunto E constituido por nombres de estudiantes que piensan que C y Python son
sencillos:
𝐸= {𝑀𝑒𝑙𝑖𝑠𝑠𝑎,𝑃𝑒𝑑𝑟𝑜,𝑀𝑎𝑟𝑡ℎ𝑎,𝐾𝑎𝑟𝑙𝑎,𝑀𝑎𝑥,𝐿𝑖𝑛𝑔𝑒𝑟}
1. Definición de conjuntos.
𝐷={𝐾𝑒𝑙𝑣𝑖𝑛,𝑃𝑒𝑑𝑟𝑜,𝑀𝑎𝑟𝑡ℎ𝑎,𝐾𝑎𝑟𝑙𝑎,𝑀𝑒𝑙𝑖𝑠𝑠𝑎}
𝐸= {𝑀𝑒𝑙𝑖𝑠𝑠𝑎,𝑃𝑒𝑑𝑟𝑜,𝑀𝑎𝑟𝑡ℎ𝑎,𝐾𝑎𝑟𝑙𝑎,𝑀𝑎𝑥,𝐿𝑖𝑛𝑔𝑒𝑟}
𝐷 Δ 𝐸={ 𝑀𝑎𝑥,𝐾𝑒𝑙𝑣𝑖𝑛,𝐿𝑖𝑛𝑔𝑒𝑟}
Ejercicio
Dados los siguientes conjuntos, represente mediante un Diagrama de Venn la solución a
cada operación de conjuntos e indique qué elementos forman la solución.
2. PROBABILIDAD
Evento Simple. Llamamos evento simple a cualquier evento que consta de un solo
resultado u observación de un experimento.
Ejemplo. Obtener un 3 al lanzar un dado al azar es un evento simple pues ocurre de una
sola forma.
Ejemplo. Obtener un número impar al lanzar un dado al azar no es un evento simple pues
ocurre de más de una forma, pues puede ser 1, 3 ó 5.
Respuesta: S = {1, 2, 3, 4, 5, 6}
La probabilidad de que ocurra un evento se mide por un número entre cero y uno,
inclusive. Si un evento nunca ocurre, su probabilidad asociada es cero, mientras que si
ocurriese siempre su probabilidad sería igual a uno. Así, las probabilidades suelen venir
expresadas como decimales, fracciones o porcentajes.
En el caso de utilizar fracciones para expresar probabilidades, las mismas pueden ser
simplificadas pero no es necesario hacerlo. Existen diferentes formas para definir la
probabilidad de un evento basadas en formas distintas de calcular o estimar la
probabilidad
2.1. AXIOMAS DE LA PROBABILIDAD
Axioma 2.-𝑃(𝑆)=1
Donde:
https://matemovil.com/regla-de-la-suma-o-adicion-de-probabilidades/
Por ejemplo, sacar una carta al azar de una bajara, y obtener un 5 y un 7, son eventos
mutuamente excluyentes, ya que no hay ninguna carta que tenga un 5 y un 7 al mismo
tiempo.
Solución:
P(A⋃B) = 0,6
Ejemplo:
La probabilidad de que al tirar un dado, salga 1, es de 1/6. La probabilidad de que salga 3,
es de 1/6. Calcular la probabilidad de que al tirar un dado, salga 1 o 3.
Solución:
En algunos problemas, puede que sea necesario calcular la probabilidad de que ocurra el
evento B, dado que ha ocurrido A. En ese caso, simplemente invertimos el orden de las
variables:.
Ejemplo
P(A|B)
P(B|A)
Solución:
En este problema, simplemente vamos a reemplazar los
datos en la fórmula.
a) Usamos la fórmula de probabilidad condicional:
b) Usamos la fórmula de fórmula de probabilidad condicional, teniendo en cuenta que
vamos a calcular la probabilidad de que ocurra B, dado que ha ocurrido A.
Ejemplo
Al 25% de tus amigos le gusta la fresa y el chocolate, mientras que al 60% le gusta el
chocolate. ¿Cuál es la probabilidad de que a un amigo que le gusta el chocolate, le
guste la fresa?
Solución:
Vamos a trabajar con 2 eventos: que a un amigo le guste la fresa, y que a un amigo le
guste el chocolate.
Solución:
Vamos a trabajar con 2 eventos: aprobar resistencia de materiales, y aprobar estática.
Para Camilo, la probabilidad de aprobar estática, dado que aprobó resistencia de materiales
es de 39,47 %.
La probabilidad de que ocurra un evento es 0, si es imposible que ocurra ese evento. Por
otro lado, la probabilidad de que un ocurra un evento es 1, si es seguro que ocurrirá ese
evento.
Ejemplo:
Solución:
Ejemplo:
Solución:
Ejemplo:
Si se lanza una moneda de México al aire dos veces, ¿cuál es la probabilidad de obtener al
menos 1 águila?
Solución:
Primero calculamos el número total de casos posibles. Los casos posibles del primer y
segundo lanzamiento son:
Águila – águila.
Águila – sello.
Sello – águila.
Sello – sello.
Ahora calculamos el número de casos en los cuáles se obtiene al menos 1 águila. Los
casos son:
Águila – águila.
Águila – sello.
Sello – águila.
Ejemplo:
Una caja contiene 2 canicas azules y 3 rojas. Si se extraen dos canicas al azar
sin reposición, ¿cuál es la probabilidad de que las dos sean azules?
Solución:
Dado que las canicas serán extraídas de la misma caja, y que las canicas que
se extraigan, no serán devueltas a la caja (no hay reposición), entonces, se
trata de eventos dependientes.
Ejemplo:
El hecho de que un alumno hable inglés, no afecta en nada que juegue fútbol; por lo tanto,
se trata de eventos independientes.
En este caso:
P(A∩B) = 0,40.
Podemos concluir que no son eventos independientes, es decir, son eventos dependientes.
Ejemplo:
P(h) = 0,6.
P(t) = 0,36.
P(t|h) = 0,4.
Entonces, la probabilidad de que un alumno le guste el helado dado que le gusta la torta es
de 0,6667 o 66,67 %.
UNIDAD 2:
DISTRIBUCIONES
DISCRETAS DE
PROBABILIDAD
1. DISTRIBUCIÓN DE PROBABILIDAD DE VARIANZAS ALEATORIAS DISCRETAS
Una función de probabilidad de una variable aleatoria discreta es una función que asigna
probabilidades a los valores de la variable aleatoria.
La fórmula que usaremos para la función de probabilidad de una variable aleatoria discreta
es la siguiente:
Vamos a realizar un experimento muy sencillo que consiste en lanzar un dado. Los
resultados que podemos obtener los colocamos de forma gráfica:
Ahora colocamos en una tablita todos los valores posibles del rango de esta variable
aleatoria discreta X:
Vamos a asociar cada valor con una probabilidad. En un dado, las probabilidades son
bastante sencillas de calcular usando la fórmula de probabilidad:
Ahora colocamos las probabilidades en la tablita:
Una función de probabilidad de una variable aleatoria discreta se puede expresar de manera
fácil como una tabla o lista que empareja los valores de la variable con sus probabilidades o
también mediante una gráfica de barras. Sin embargo, una función de probabilidad de
expresa con mayor frecuencia mediante una fórmula.
Como todas las probabilidades son iguales a 1/6, entonces la ecuación de la función de
probabilidad de X sería la siguiente:
Una función de probabilidad de una variable aleatoria discreta es una función que asigna
probabilidades a los valores de la variable aleatoria. Su fórmula es la siguiente:
2) La suma de las probabilidades asignadas a todos los valores de la variable aleatoria debe
ser 1.
Estas propiedades seguro te sonarán conocidas, ya que son propiedades que hemos
estudiado antes en el capítulo de probabilidades.
Es importante indicar que la función de probabilidad en una variable aleatoria discreta
también es llamada función de masa de probabilidad o distribución de probabilidad. En
algunos libros indican que la distribución y la función son cosas diferentes, pero la mayoría
de autores modernos no realizan distinción entre estos 2 conceptos en el caso de variables
aleatorias discretas.
Ejercicio:
Determina si la siguiente función es una función de probabilidad. Si lo es, encuentra la
función de probabilidad en forma de tabla y el diagrama de barras de la función.
Solución:
Para que f(x) sea una función de probabilidad, se tienen que cumplir las 2 propiedades que
mencionamos líneas arriba, vamos a comprobarlo.
A continuación, calculamos los valores de f(x), teniendo en cuenta la fórmula del enunciado:
Se cumple la primera propiedad, pues todos los valores de f(x) se encuentran entre 0 y 1.
Como se cumplen las 2 propiedades, entonces podemos concluir que f(x) es una función de
probabilidad.
Ahora vamos a encontrar la función f(x) en forma de tabla, partiendo de la tabla que
realizamos líneas arriba y simplificando las fracciones:
La media «µ» o valor esperado «E(X)» es un promedio ponderado de los valores que
asume la variable aleatoria cuando los pesos son las probabilidades. Es una medida de
tendencia central. Cuando trabajamos con una variable aleatoria discreta, la media o valor
esperado se calcula mediante la siguiente fórmula:
El valor esperado o media no tiene que ser un valor que la variable aleatoria pueda asumir.
2.2. VARIANZA
Recuerda que la varianza se mide en las mismas unidades que la variable aleatoria original.
Ejemplo
Sea X el número de clientes que visitan una tienda por día. Calcular el valor esperado de X a
partir de su función de probabilidad:
Solución:
Y listo, la media o valor esperado es de 0,60. Recuerda que el valor esperado o media no
tiene que ser un valor que la variable aleatoria pueda asumir.
Ejemplo
Encuentra la media, varianza y desviación estándar de la variable aleatoria X:
Solución:
Cuando no solo nos piden calcular la media, si no también la varianza y la desviación
estándar, es mejor emplear una tabla en la cual iremos colocando todo lo que indican las
fórmulas. Empezamos colocando la tabla de la función de manera vertical.
Agregamos una columna más a la tabla, para encontrar los productos x·f(x). Luego,
sumamos estos productos.
Entonces, agregamos algunas columnas más a nuestra tabla para encontrar lo que nos pide
la fórmula:
Y por último, viene el valor de la desviación estándar, que es la raíz cuadrada positiva de la
varianza.
3. DISTRIBUCIÓN BINOMIAL
Existen una gran diversidad de experimentos o sucesos que pueden ser caracterizados
bajo esta distribución de probabilidad. Imaginemos el lanzamiento de una moneda en el
que definimos el suceso “sacar cara” como el éxito. Si lanzamos 5 veces la moneda y
contamos los éxitos (sacar cara) que obtenemos, nuestra distribución de probabilidades
se ajustaría a una distribución binomial.
Por lo tanto, la distribución binomial se entiende como una serie de pruebas o ensayos en
la que solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito nuestra variable
aleatoria.
3.1. PROPIEDADES DE LA DISTRIBUCIÓN BINOMIAL
Para que una variable aleatoria se considere que sigue una distribución binomial, tiene
que cumplir las siguientes propiedades:
En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso).
Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda
salga cara y cruz al mismo tiempo.
Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de ocurrir.
Si no se es hombre, se es mujer y si se lanza una moneda, si no sale cara ha de salir cruz.
La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p). n representa el número de ensayos o experimentos y p la probabilidad de éxito.
Donde:
n = número de ensayos/experimentos
x = número de éxitos
p = probabilidad de éxito
Es importante resaltar que la expresión entre corchetes no es una expresión matricial, sino
que es un resultado de una combinatoria sin repetición. Este se obtiene con la siguiente
formula:
Imaginemos que un 80% de personas en el mundo han visto el partido de la final del último
mundial de futbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es la
probabilidad de que 3 de ellos hayan visto?
x = número de éxitos, que en este caso es igual a 3, dado que buscamos la probabilidad
de que 3 de los 4 amigos lo hayan visto.
p = probabilidad de éxito (0,8)
4*0,512*0,2 = 0,4096.
Si multiplicamos por 100 tenemos que hay una probabilidad del 40,96% de que 3 de los 4
amigos hayan visto el partido de la final del mundial
4. DISTRIBUCIÓN DE POISSON
La distribución de Poisson fue propuesta por primera vez por Simeón Poisson en libro
publicado en 1837. A medida que pasaron los años, el número de aplicaciones comenzó a
aumentar, sobre todo el siglo XX y con la aparición de las computadoras en el siglo XXI
permitió incrementarlas aún más.
Por ejemplo, son variables de Poisson: el número de llamadas que recibe una central
telefónica en el período de 1 minuto, el número de bacterias en un volumen de 1 litro de
agua o el número de fallas en la superficie de una pieza de cerámica rectangular.
Aquí algunos ejemplos típicos de variables aleatorias que siguen una distribución de Poisson:
Se dice que una variable aleatoria discreta X tiene una distribución de Poisson con parámetro
μ (μ>0) si la función de probabilidad de X es:
Donde:
f(x) = P(X=x) : probabilidad de x ocurrencias en un intervalo.
La media de X es igual a μ.
La varianza de X es igual a μ.
Ejemplos
Además, nos indican que esta variable aleatoria X sigue una distribución de Poisson,
entonces podemos aplicar la fórmula:
Un parámetro muy importante es la media (µ) y siempre estará al centro de la curva con
forma de campana. Por ejemplo, aquí tenemos la gráfica de una distribución normal con
media igual a 8.
Notas en un examen.
Errores de medida.
Presión sanguínea.
Tamaño de las piezas producidas por una máquina.
Para encontrar las probabilidades o cantidad de datos entre determinados valores de la
variable, se calcula el área bajo la curva normal, que se encuentra en la tabla z o tabla de
áreas bajo la curva normal estandarizada.
La distribución normal estándar, es aquella distribución normal que tiene una media igual a
cero, y una desviación estándar igual a uno. Veamos la función densidad normal
estandarizada, que trabaja con la variable estandarizada z en el eje horizontal:
https://matemovil.com/distribucion-normal-ejercicios-resueltos/
https://youtu.be/T7_ktqfVseU
https://youtu.be/VES8qjbKnJs
Para calcular el valor de esta área, se utiliza la tabla z y se busca el valor de 1,50:
Como vemos, el valor del área bajo la curva es de 0,4332, y esa sería la probabilidad de que
la variable estandarizada z, tome un valor comprendido entre 0 y 1,50.
Por ejemplo, si tenemos una variable aleatoria continua X con una distribución normal no
estandarizada, con media igual a 10 y desviación estándar igual a 1, y el problema pide
calcular la probabilidad de que la variable X tome un valor entre 10 y 11,50, hay que
estandarizar los valores de la variable X aplicando la fórmula de z:
Y usando la tabla z, se calcula el área bajo la curva. Cuando z es igual a 1,50, el área bajo la
curva es de 0,4332.
Podemos concluir que la probabilidad de que la variable estandarizada z, tome un valor
comprendido entre 10 y 11,50 es de 0,4332.
UNIDAD 4: MUESTREO Y
DISTRIBUCIONES MUESTRALES
1. INTRODUCCION AL MUESTREO
Una población está forma d a por la totalidad de las observaciones en las cuales se tiene
cierto observado.
El muestreo permite una reducción considerable de los costos materiales del estudio, una
mayor rapidez en la obtención de la información y el logro de resultados con máxima calidad.
Al tomar varias muestras de una población, las estadísticas que calculamos para cada
muestra no necesariamente serían iguales, y lo más probable es que variaran de una
muestra a otra.
Ejemplo: la longitud del dedo índice de personas de la misma edad y sexo. El sesgo muestral
puede suprimirse, o minimizarse, usando la aleatorización.
Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad práctica cuando la
población que estamos manejando es muy grande.
Ejemplo
Suponga que nos interesa elegir una muestra aleatoria de 5 estudiantes en un grupo de
estadística de 20 alumnos. Las combinaciones se escriben 20C 5 lo que da el número total de
formas de elegir una muestra no ordenada y este resultado es igual a 15.504 maneras
diferentes de tomar la muestra.
Un procedimiento simple para elegir una muestra aleatoria sería escribir cada uno de los 20
nombres en pedazos separados de papel, colocarlos en un recipiente, revolverlos y después
extraer cinco papeles al mismo tiempo.
Otro método para obtener una muestra aleatoria de 5 estudiantes en un grupo de 20 utiliza
una tabla de números aleatorios. Se puede construir la tabla usando una calculadora o una
computadora o con métodos de selección al azar.
Hay muchas situaciones en las cuales el muestreo aleatorio simple es poco práctico,
imposible o no deseado; aunque sería deseable usar muestras aleatorias simples para las
encuestas nacionales de opinión sobre productos o sobre elecciones presidenciales, sería
muy costoso o tardado.
Ejemplo
Para obtener una muestra de suscriptores telefónicos en una ciudad grande, puede
obtenerse primero una muestra aleatoria de los números de las páginas del directorio
telefónico; al elegir el vigésimo nombre de cada página obtendríamos un muestreo
sistemático, también podemos escoger un nombre de la primera página del directorio y
después seleccionar cada nombre del lugar número cien a partir del ya seleccionado.
En este caso, podríamos seleccionar un número al azar entre los primeros 100; supongamos
que el elegido es el 40, entonces seleccionamos los nombres del directorio que
corresponden a los números 40, 140, 240, 340 y así sucesivamente.
Lo que se pretende con este tipo de muestreo es asegurarse de que todos los estratos de
interés estarán 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 formarán parte de la muestra. En
ocasiones las dificultades que plantean son demasiado grandes, pues exige un conocimiento
detallado de la población. (Tamaño geográfico, sexos, edades,...).
Ejemplo
Suponga que nos interesa obtener una muestra de las opiniones de los profesores de una
gran universidad. Puede ser difícil obtener una muestra con todos los profesores, así que
supongamos que elegimos una muestra aleatoria de cada colegio, o departamento
académico; los estratos vendrían a ser los colegios, o departamentos académicos.
4.- Muestreo aleatorio por conglomerados:
Los métodos presentados hasta ahora están pensados para seleccionar directamente los
elementos de la población, es decir, que las unidades muéstrales son los elementos de la
población.
Ejemplo
Suponga que una compañía de servicio de televisión por cable está pensando en abrir una
sucursal en una ciudad grande; la compañía planea realizar un estudio para determinar el
porcentaje de familias que utilizarían sus servicios, como no es práctico preguntar en cada
casa, la empresa decide seleccionar una parte de la ciudad al azar, la cual forma un
conglomerado.
En el muestreo por conglomerados, éstos se forman para representar, tan fielmente como
sea posible, a toda la población; entonces se usa una muestra aleatoria simple de
conglomerados para estudiarla. Los estudios de instituciones sociales como iglesias,
hospitales, escuelas y prisiones se realizan, generalmente, con base en el muestreo por
conglomerados
En este tipo de muestreo se fijan unas "cuotas" que consisten en un número de individuos
que reúnen unas determinadas condiciones, por ejemplo: 20 individuos de 25 a 40 años, de
sexo femenino y residentes en Gijón. Una vez determinada la cuota se eligen los primeros
que se encuentren que cumplan esas características. Este método se utiliza mucho en las
encuestas de opinión.
También puede ser que el investigador seleccione directa e intencionadamente los individuos
de la población. El caso más frecuente de este procedimiento el utilizar como muestra los
individuos a los que se tiene fácil acceso (los profesores de universidad emplean con mucha
frecuencia a sus propios alumnos).
2. DISTRIBUCIONES MUESTRALES
Las muestras aleatorias obtenidas de una población son, por naturaleza propia,
impredecibles. No se esperaría que dos muestras aleatorias del mismo tamaño y tomadas de
la misma población tenga la misma media muestral o que sean completamente parecidas;
puede esperarse que cualquier estadístico, como la media muestral, calculado a partir de las
medias en una muestra aleatoria, cambie su valor de una muestra a otra, por ello, se quiere
estudiar la distribución de todos los valores posibles de un estadístico. Tales distribuciones
serán muy importantes en el estudio de la estadística inferencial, porque las inferencias
sobre las poblaciones se harán usando estadísticas muéstrales.
Con el análisis de las distribuciones asociadas con los estadísticos muéstrales, podremos
juzgar la confiabilidad de un estadístico muestral como un instrumento para hacer inferencias
sobre un parámetro poblacional desconocido.
Como los valores de un estadístico, tal como la media, varían de una muestra aleatoria a
otra, se le puede considerar como una variable aleatoria con su correspondiente distribución
de frecuencias.
Hay que recordar que en la distribución normal, la variable estandarizada permitía calcular la
probabilidad de un evento, dada una variable aleatoria mediante:
Ejemplo
Una empresa eléctrica fabrica 1000 focos diarios que tienen una duración que se distribuye
aproximadamente en forma normal, con media de 900 horas y desviación estándar de 50
horas. Encuentre la probabilidad de que una muestra aleatoria de 20 focos tenga una vida
promedio de:
Solución:
N= 1000
µ=900
n= 20
σ= 50
Al estandarizar
Por lo tanto:
Con lo que se puede concluir que hay una probabilidad del 19% de que en muestras de
tamaño 20, el promedio de la muestra sea menor de 890 horas. En otras palabras, si se
toman 100 muestras de tamaño 20 en 19 de estas muestras, el promedio será menor de 890
horas
b)
N= 1000
µ=900
n= 20
σ= 50
C)
N= 1000
µ=900
n= 20
σ= 50
Distribucion muestral de la proporcion
3. Distribucion muestral de la varianza