UNIDAD I: INTRODUCCIÓN A LA PROBABILIDAD, MUESTREO Y

ESTIMACIÓN

TEMA 1

1.1. ¿Qué es Probabilidad?

La Probabilidad es la posibilidad numérica de que ocurra un evento. La

probabilidad de un evento es medida por valores comprendidos entre 0 y 1.
Mientras mayor sea la probabilidad de que ocurra un evento, su valor asignado
estará más próximo a 1. La probabilidad de una imposibilidad es 0.

Ejemplo:

La probabilidad de que el sol salga mañana es muy alta, es decir, muy

cercana a 1; la probabilidad de que apruebes este curso sin estudiar está al otro
extremo, está cercana a 0.

Esta rama del conocimiento es el vehículo que le permite al investigador en

Estadística usar la información contenida en una muestra para hacer inferencia o
para describir la población de la cual se ha obtenido la muestra.

Supongamos que la población es conocida y nos interesa calcular la

probabilidad de observar una muestra particular. Exactamente lo opuesto es
cierto en los problemas estadísticos cuando asumimos que la población es
desconocida y la muestra es conocida, y lo que deseamos es hacer inferencias
acerca de la población. Así, la Teoría de la Probabilidad actúa desde la población
hacia la muestra, mientras que la Estadística actúa opuestamente, moviéndose de
la muestra hacia la población.

1.2. Experimento Aleatorio

Un Experimento es un proceso por medio del cual se obtiene una

observación, dato o medición. Un Experimento Aleatorio es aquel que se
caracteriza por dar resultados inciertos porque al repetirlo bajo análogas
condiciones, jamás se podrá predecir el resultado que se va a obtener ya que
puede ocurrir más de uno que sea posible. Supone un mayor o menor grado de
incertidumbre.

Ejemplo:

Si lanzamos una moneda al aire, el resultado puede ser: cara o sello; pero
no sabemos de antemano cuál de ello va a salir. El proceso de lanzamiento de la
moneda es un experimento aleatorio.
1.3. Espacio Muestral (de un experimento aleatorio)

Es el conjunto de todos los resultados posibles del experimento, y lo

podemos denotar con la letra griega “Ω” (omega) o con la letra mayúscula E.
Cada resultado del experimento (o elemento del Espacio Muestral) se denomina
Punto Muestral.

Ejemplo:

En un proceso de fabricación extraemos un artículo elegido entre los

artículos fabricados y observamos si es o no es defectuoso.

Si denotamos por B cuando es artículo es bueno y por D cuando es

defectuoso, ambos serían los puntos muestrales y podríamos tomar Ω = {B, D}.

Otro ejemplo:

El espacio muestral S del experimento de lanzar un dado está dado por las
seis caras de este.

S = {1, 2, 3,4, 5, 6}

Cada uno de los seis posibles resultados del lanzamiento viene siendo un
punto muestral.

Así cómo existen espacios muestrales finitos, también existen los que son
infinitos. Por ejemplo, lanzamos un dardo hacia un tablero y hay una extensión
continua de puntos donde puede caer.

1.4. Suceso o Evento de un Experimento Aleatorio

Es un subconjunto del espacio muestral que se caracteriza por ser

resultado de un experimento aleatorio. Se representa por una letra mayúscula.

Como un suceso es una colección específica de puntos muestrales, un

suceso particular ocurrirá si ocurre cualquier punto muestral de dicho suceso.

1.5. Los Modelos de Probabilidad

En la antigüedad se denominaba probable a lo que según las apariencias

puede ser declarado verdadero o cierto, por lo que la probabilidad posee grados
según su acercamiento o alejamiento de la certidumbre (certeza). Luego, la
Probabilidad puede ser Subjetiva (un juicio probable) u Objetiva (un
acontecimiento probable).
 En el campo de la Estadística, debido al carácter amplio y general de la
Probabilidad, esta es igualmente válida para poblaciones y muestras. El cálculo
de Probabilidades es útil para la Estadística Inferencial.

La Probabilidad ocupa un lugar importante en la toma de decisiones puesto

que permite proyectar (inferir) resultados de un evento determinado. Debido a las
múltiples aplicaciones que tiene la Teoría de la Probabilidad en la vida cotidiana,
existen tres modelos para su cálculo:

 Modelo Clásico (a priori)

 Modelo Empírico o de Frecuencia Relativa (a posteriori)
 Modelo Subjetivo

1.5.1. El Modelo Clásico

Fija la probabilidad sin depender de ninguna experiencia y por lo tanto no

está apoyada en ninguna inferencia inductiva. Se relaciona con los juegos de azar
y las apuestas. Aquí se supone que los sucesos elementales son equiprobables.

La probabilidad clásica de un evento A se determina mediante la Regla de

Laplace, expresada así:

n ú _ md _ ce e a _r fsoa o v s _op r a_ ea _r elb a v l _eA sn t o

P(A) =
n ú _md _ ce e a _r pso o _s p i a_b e _rl el ea s s p_ m a uc _ Ωei os t r a l
El numerador de esa expresión es la cantidad de elementos o puntos
maestrales que conforman al suceso A, y el denominador es la cantidad total de
elementos pertenecientes al espacio muestral Ω .

Ejemplo:

Sea el experimento aleatorio de lanzar un dado una vez, el cual tiene éxito
si el resultado del experimento es la cara 3 y 4.

Tomando el espacio muestral Ω = {1, 2, 3, 4, 5, 6} y el evento A = {3, 4},

tenemos

2 1
P ( A) = = = 0.33333 ... ≈ 0.333 = 33 .3%
6 3

1.5.2. El Modelo Empírico o de Frecuencia Relativa

Utiliza datos que se han observado empíricamente en una investigación

estadística, registra la frecuencia con que ha ocurrido un evento en el pasado, y
estima la probabilidad de que el evento ocurra nuevamente con base a su
comportamiento histórico ya investigado.

Para calcular la probabilidad de un evento A aplicando este modelo, se

utiliza la siguiente fórmula:

n ú _ md _ ve e e _r qc o _ueh _seoa c u_ e _rel r v i_ ed _neo _ tlp o a s a d o

P(A) =
n ú _ mt o _ edt _aroe ol b sn e e r sv a c i o

Ejemplo:

Alicia faltó 5 veces a clases el mes pasado. ¿Cuál es la probabilidad de

que falte este mes que tiene 30 días?

5
P ( Falta ) = = 0.16666 ... ≈ 0.167 = 16 .7%
30

Este modelo se usa esencialmente en distribuciones de frecuencias para

datos estudiados en Estadística, por lo que es útil el siguiente resumen
comparativo de conceptos estadísticos y probabilísticas, siendo que algunos de
estos últimos serán estudiados más adelante en los próximos módulos.

Conceptos Empíricos Conceptos Teóricos

(Estadísticos) (Probabilísticos)
Población Espacio Muestral
Muestra Suceso
Frecuencia relativa Probabilidad
Variable Estadística Variable Aleatoria
Histograma de Frecuencia
Curva de Probabilidad
Relativa
Histograma de Frecuencia
Curva de Distribución
Relativa Acumulada
Características Estadísticas Características Probabilísticas
(Estadísticos) (Parámetros)

1.5.3. El Modelo Subjetivo

Se utiliza cuando no hay datos históricos disponibles y sólo se cuenta con

opiniones o criterios subjetivos. Aquí la probabilidad representa una relación entre
una proposición y un cuerpo de evidencia, pero no es una relación puramente
lógica. Es una relación cuasilógica y el valor numérico asociado a ella representa
un grado de creencia subjetiva expresada en un juicio probable. Por ejemplo,
¿Cuál es la probabilidad de que una mujer sea elegida a la Presidencia de la
República Bolivariana de Venezuela?
 TEMA 2

1.6. Población

Población es el conjunto total de elementos, cantidades, individuos u

objetos a los que se le consideran en estudio una o varias características
comunes.

Ejemplo: El número de participantes en los consejos comunales del país, el

número de técnicos e ingenieros en una planta de refinación y petroquímica del
occidente del país, entre otros ejemplos.

Una población es finita si consta de un número finito o fijo de elementos,

medidas u observaciones. Por ejemplo, tenemos el conjunto de calificaciones
obtenidas en una sección de estudiantes de la UBV que cursan Análisis del Dato
Estadístico. Una población infinita contiene una infinidad de elementos, al menos
hipotéticamente. Por ejemplo, cuando medimos el peso de los habitantes de una
comunidad.

A menos que se indique lo contrario, las poblaciones a ser estudiadas aquí

son finitas.

1.7. Muestra

Muestra es un subconjunto o parte de la población.

Ejemplo: De la población anterior, los pacientes del hospital de los

Magallanes de Catia, Los participantes del comité de energía de consejo comunal
de la Parroquia San pedro, Los técnicos e ingenieros de la planta de Refinación y
petroquímica de Morón.

1.8. Muestreo

El Muestreo es el conjunto de procedimientos que nos permite diseñar la

muestra más apropiada para un experimento o investigación, garantizándose que
la muestra seleccionada sea representativa de la población de origen para no
tener que trabajar con la totalidad de esta y controlar los errores cometidos en su
estudio.

Para que una muestra sea aceptable, esta debe ser representativa de la
población de la cual se obtuvo. La muestra es representativa si posee todas las
características de la población en la misma proporción en que se encuentran
manifiestan en el seno de esta. Todo esto es objeto de estudio de la Teoría de
Muestreo.
 Los objetivos del muestreo son:

 Realizar estimaciones de valores de una población a partir de las medidas

obtenidas de la muestra.
 Calcular medidas de confiabilidad de esas estimaciones.
 Interpretar las estimaciones de manera precisa.

Se aconseja el muestreo en los siguientes casos:

 Cuando la población es infinita o muy grande de tal forma que resulte muy
difícil su enumeración total.
 En poblaciones muy homogéneas tales que la muestra represente con
fidelidad a la población.
 Cuando el proceso de investigación de las características de una población
sea destructivo.

Las ventajas del muestreo son:

 Economía y rapidez en su realización.

 Ahorro de dinero si la muestra es representativa pues en tal caso no hay
necesidad de trabajar con todos los elementos de la población.
 Más alcance en la investigación.
 Más entrenamiento, formación y control de personal.
 Mayor rapidez de procesamiento y presentación de resultados.
 Menos personal y recursos.
 Fácil verificación posterior en base al diseño utilizado.
 Más confiabilidad de los datos obtenidos en base a la posibilidad de
controlar más fácilmente las informaciones recopiladas.

Las limitaciones del muestreo son:

 No permite hacer cálculos, tabulaciones o proyecciones con respecto a

áreas o pequeños grupos.
 Presenta el error de muestreo y otros ajenos a ese proceso.
 Dificultad de la tabulación cruzada de algunas características.
 Se requiere una alta preparación estadístico-matemática de muestrista.
 Existe la creencia de que las investigaciones sobre la población ofrecen un
margen más sólido y eficiente de exactitud que los resultados obtenidos de
una muestra.

1.9. Clasificación del Muestreo

En Estadística, un Diseño de una Muestra es un plan definitivo determinado

por completo, antes de recopilar cualquier dato, con el fin de tomar posteriormente
una muestra de una población de referencia. Enmarcado dentro del proceso del
diseño, el tipo de muestreo a desarrollar se clasifica en función de las
características de la población y del criterio de selección previamente determinado
en una investigación. Algunas veces se hace uso de la Teoría Combinatoria para
obtener determinado tipo de muestras.

El Muestreo no Probabilístico es aquel donde la selección no se hace al

azar sino a criterio del investigador. A menudo suele presentar grandes sesgos y
por esa razón es poco fiable.

En cambio, si la selección de los elementos de la muestra se realiza

aleatoriamente, es decir, independientemente de la opinión del investigador,
entonces se está haciendo un Muestreo Probabilístico o Aleatorio, el cual es
mucho más confiable. En este caso, si la población tiene N elementos y la
muestra es de M elementos, la probabilidad que tiene cada elemento de la
M
población de integrar esa muestra es .
N

Un Muestro Probabilístico o Aleatorio puede ser sin Reemplazo, Aleatorio

Simple y Sistemático.

 Muestreo con y sin Reemplazo

Tenemos un Muestreo con Reemplazo cuando cada elemento de la

población puede elegirse más de una vez. Esto ocurre cuando cada
elemento seleccionado se vuelve a regresar a la población de la cual se
extrajo después de anotar sus características en un instrumento al aplicarle
alguna técnica de recolección de información. Este tipo de muestreo no es
probabilístico, y se aplica para poblaciones que en la práctica se
consideran infinitas o inagotables. Aquí cambia la probabilidad de selección
de cada elemento que formará la muestra.

Al contrario, en una Muestra sin Reemplazo el elemento

seleccionado para integrar la muestra deja de ser seleccionable al no poder
elegirse más de una vez. Es decir, una vez extraído no se regresa a la
población. Por lo tanto la población es agotable y por supuesto finita. A
este tipo de muestreo se le suele llamar Irrestrictamente Aleatorio.

 Muestreo Aleatorio Simple

Es un procedimiento de muestreo probabilístico mediante el cual

extraemos de una población una muestra representativa de la misma, y
donde cada elemento de la población tiene la misma posibilidad de ser
incluido en la muestra. En términos de probabilidad, de ser N el tamaño de
la población, será 1/N la probabilidad de ser escogido cada elemento para
 formar parte de la muestra sin importar el tamaño de ésta. Este tipo de
muestreo es el más sencillo y usado.

 Muestreo Sistemático

Es cuando los elementos de la población están ordenados por listas.

Se elige un individuo al azar y a continuación se eligen todos los demás a
intervalos constantes hasta completar la muestra. Si el orden de los
elementos es tal que los individuos próximos tienden a ser más semejantes
que los alejados, el muestreo sistemático tiende a ser más preciso que el
aleatorio simple al cubrir más homogéneamente toda la población. A veces
este tipo de muestreo no es necesariamente aleatorio.

El verdadero riesgo del muestreo sistemático yace en la posible

presencia de periodicidades ocultas y la obtención de resultados sesgados
o parcializados.

 Muestreo Estratificado

Es cuando nos interesa que la muestra tenga la misma composición

a la de la población cuando esta se divide en clases o estratos. Esto último
se hace a fin de disminuir la variabilidad de la población y de buscar mayor
homogeneidad dentro de cada estrato.

Ejemplo:

Si en una población el 20% son mujeres y el 80% hombres, se

mantendrá la misma proporción en la muestra.

 Muestreo por Conglomerados

Se divide la población total en un número determinado de

subdivisiones relativamente pequeñas y se selecciona al azar algunos
elementos de esas subdivisiones o conglomerados para incluirlos en la
muestra general. Si los conglomerados son subdivisiones geográficas, este
también se llama Muestreo por Áreas.