República Bolivariana de Venezuela

Ministerio del Poder Popular Para la Educación Superior

Universidad José Antonio Páez
Facultad de Ingeniería
Estudios Básicos

ASIGNACION DE N1 ESTADISTICA II

Profesora: Alumnos:
María Briceño Temis Barreto CI: 30.000.590
Daniel Hernández CI: 28.262.781
Juan Hoyos CI: 27.718.086
Gabriel Arcilla CI: 28.331.320
Luis Vivas CI: 28.077.248
Sección: 305C1

San Diego, 16 de Abril del 2020

 Índice

Introducción..........................................................................................................................3
Desarrollo...............................................................................................................................4
Población y Muestra.........................................................................................................4
Ejemplo de Población y Muestra.................................................................................4
Muestreo, Tipos de muestreo...........................................................................................5
Tipos de muestreo aleatorio o probabilístico..................................................................5
1. Muestreo aleatorio simple........................................................................................5
2. Estratificado..............................................................................................................7
3. De conglomerados.....................................................................................................8
Tipo de Muestreos no aleatorios o no probabilísticos..................................................10
1. Intencional, opinático o de conveniencia...............................................................10
2. Muestreo de bola de nieve o en cadena.................................................................10
3. Muestreo por cuotas o accidental..........................................................................10
Tamaño de la muestra....................................................................................................11
1. Nivel de precisión....................................................................................................11
2. Nivel de confianza...................................................................................................11
3. Grado de variabilidad.............................................................................................12
Media Muestral...............................................................................................................14
Ejemplo........................................................................................................................14
Varianza Muestral......................................................................................................15
Ejemplo........................................................................................................................16
Generación de muestras aleatorias................................................................................17
Conclusión............................................................................................................................18
Referencias...........................................................................................................................19
 Introducción
En el siglo XVIII, el término "estadística" designaba la colección sistemática de datos
demográficos y económicos por los estados. A principios del siglo XIX, el significado de
"estadística" fue ampliado para incluir la disciplina ocupada de recolectar, resumir y
analizar los datos. Hoy la estadística es ampliamente usada en el gobierno, los negocios y
todas las ciencias. Las computadoras electrónicas han acelerado la estadística
computacional y ha permitido a los estadísticos el desarrollo de métodos que usan recursos
informáticos intensivamente.
A continuación se muestras diferentes procesos estadísticos que se utiliza a la hora de hacer
un estudio estadístico de algún fenómeno.
 Desarrollo
Población y Muestra
La Población estadística, en estadística, es el conjunto de individuos, objetos o fenómenos
de los cuales se desea estudiar una o varias características.
Una muestra estadística (o una muestra) es un subconjunto de elementos de la
población estadística
Estos son utilizados para a la hora de hacer un estudio estadístico separar los datos o
agrupar conjuntos para obtener mejores resultados en el estudio.
Ejemplo de Población y Muestra
Digamos que queremos hacer un estudio estadístico a los estudiantes de la Universidad José
Antonio Páez en el cual preguntaremos cuál es su materia o asignación favorita en su
respectiva carrera.
El cuadro azul equivale al conjunto total de todos los estudiantes de la universidad siendo
los puntos negros cada estudiante que pertenece al conjunto.
Normalmente a este tipo de Conjuntos se les identifica con una letra en este caso
identificaremos el conjunto de población con la letra “P”.
Si suponemos que en la universidad José Antonio Páez hay una población de por lo menos
1000 estudiantes y necesitamos el informe estadístico en 1 hora, sería imposible
preguntarles a todos los estudiantes cuál es su asignación favorita, por ende se toma una
MUESTRA del conjunto P para poder cumplir esta tarea.
Digamos que tenemos una muestra de 100 alumnos de esta población en la cual el 20%
indico que le gusto Geometría Analítica, otro 30% Estadística y el otro 50% Calculo
diferencial, con esto podemos sacar ciertas conclusiones de que materia les gusta a los 1000
estudiantes, los beneficios y desventajas de esto es que al ser una muestra los cálculos no
son 100% exactos a diferencia de que si lo hiciéramos con toda la población, pero
reducimos considerablemente el tiempo que tomaría tomar toda la cantidad de datos
necesarios para realizar el estudio estadístico.
 Un dato interesante de esto, es el que este sistema de
población y muestra es usado e implementado en muchos
tipos de estudios estadísticos, como la creación de
Inteligencias Artificiales que ayudan a mejorar nuestro
día a día.

Muestreo, Tipos de muestreo

El Muestreo es un Procedimiento técnica el cual es utilizado para la selección de una

muestra a partir de una población o universo.

Tipos de muestreo aleatorio o probabilístico

Existen 7 Tipos de técnicas para el Muestreo:
Hablamos de muestreo aleatorio en los casos en que todos
los sujetos que forman parte de una población tienen la
misma probabilidad de ser escogidos como parte de la
muestra. Los muestreos de esta clase son más populares y
útiles que los no aleatorios, principalmente porque tienen
una elevada representatividad y permiten calcular el error
de la muestra.

1. Muestreo aleatorio simple

En este tipo de muestreo las variables relevantes de la muestra tienen la misma función de
probabilidad y son independientes entre ellas. La población tiene que ser infinita o bien
finita con reposición de elementos. El muestreo aleatorio simple es el que más se utiliza en
la estadística inferencial, pero es menos eficaz en muestras muy grandes.

Las fórmulas utilizadas en el Muestreo Aleatorio Simple son:

Cuando no se conoce el tamaño de la Población:

z 2 pq
n=
E2
Cuando se conoce el tamaño de la Población:

Z 2 pqN
n=
N E2 + Z 2 pq

Tabla de Nivel de Confianza

% Z
99.7% 3,00
99% 2,58
98% 2,33
96% 2,05
95.45% 2,00
95% 1,96
90% 1,645
80% 1,28
66,27% 1,00
50% 0,6745
Ejemplo:
Se requiere estudiar la preferencia de un nuevo producto en una población, de la cual no
se ha realizado ningún estudio. Se acepta un margen de error máximo del 2%. Se debe
determinar el tamaño de la muestra con un nivel de confianza del 90%.
Datos:
No se conoce el tamaño de la población

z 2 pq
n=
E2
p = 0,5
q = 1 – p = 0,5
Z = 1,645 Esto siguiendo los valores de la tabla de la confianza
E = 2% = 0,02
Remplazando en la formula quedaría

1,6452 x 0.5 x 0.5

n= =1691,2656=1691
0,022
Esto quiere decir que el tamaño de nuestro estudio estadístico de ser de 1691 personas.

2. Estratificado
El muestreo aleatorio estratificado consiste en dividir la población en estratos; un ejemplo
de esto sería estudiar la relación entre el grado de satisfacción vital y el nivel
socioeconómico. A continuación se extrae un número determinado de sujetos de cada uno
de los estratos por tal de mantener la proporción de la población de referencia.
Ejemplo
Realice un muestreo aleatorio estratificado con afijación uniforme para tamaño de muestra
n = 30 a partir de las los números aleatorios de la primera tabla por filas (tome 3 dígitos).
Nota: Téngase en cuenta que los tamaños de los estratos son 517, 633 y 350
respectivamente.
a) Estime tanto puntualmente como con un intervalo de confianza al 95 % la media
poblacional de las variables AL y NT.
b) Estudie qué ocurre dentro de cada estrato respecto a la media de la variable AL y NT.
c) Estime puntualmente y mediante un intervalo de confianza del 90 % la proporción
poblacional de individuos que tome al menos 2 litros de agua al día, así como la proporción
de individuos que realiza regularmente actividad física.
d) Repita los apartados a) y c) seleccionando una muestra aleatoria estratificada con
afijación proporcional al tamaño de cada estrato a partir de los números aleatorios de la
primera tabla por filas (3 dígitos).

a) Para AL: x = 8143.477 I.C. 95 % para µ I ≡ [7868.3885, 8418.5659]

Para NT: x = 2.58006 I.C. 95 % para µ I ≡ [2.1943, 2.9657]
c) Para AF: pb = 0.2811 I.C. 90 % para p I ≡ [0.1411, 0.4211]
Para H2O: pb = 0.1111 I.C. 90 % para p I ≡ [0.0094, 0.2128]
d1) Para AL: x = 8187.8501 I.C. 95 % para µ I ≡ [7910.8517, 8464.8484]
Para NT: x = 2.5362 I.C. 95 % para µ I ≡ [2.1282, 2.9443]
d2) Para AF: pb = 0.2349 I.C. 90 % para p I ≡ [0.1031, 0.3668]
Para H2O: pb = 0.1338 I.C. 90 % para p I ≡ [0.0302, 0.2374]

Nota 1. Para afijación uniforme: Unidades seleccionadas con NIDEST R:

L = 1: 203, 43, 240, 241, 110, 325, 469, 259, 251, 440. L = 2: 251, 545, 217, 381,
13, 230, 173, 434, 271, 19. L = 3: 191, 289, 213, 93, 269, 106, 116, 225, 322, 260.

Nota 2. Para afijación proporcional: Unidades seleccionadas con NIDEST R:

L = 1: 203, 43, 240, 241, 110, 325, 469, 259, 251, 440. L = 2: 251, 545, 217,
381, 13, 230, 173, 434, 271, 19, 258, 289, 563 . L = 3: 93, 269, 106, 116, 225,
322, 260.
3. De conglomerados
En estadística inferencial los conglomerados son conjuntos de elementos poblacionales,
como pueden ser las escuelas o los centros hospitalarios públicos de un municipio. Al llevar
a cabo este tipo de muestreo se divide la población (en los ejemplos, una localidad
concreta) en varios conglomerados y se elige de forma aleatoria algunos de ellos para
estudiarlos.
Ejemplo
A a partir de un muestreo por conglomerados en una etapa, utilizando los distritos definidos
por la variable D como conglomerados, y usando un m.a.s de 3 conglomerados responda a
las cuestiones 1) , 2) y 5) del apartado (a) referente al m.a.s.
Nota: Para seleccionar los conglomerados tome los números aleatorios de la
primera tabla de números aleatorios por columnas (2 primeros dígitos).
1) Para AL: x = 8335.425 I.C. 95 % para µ I ≡ [8201.976, 8468.874]
Para NT: x = 3 I.C. 95 % para µ I ≡ [2.1963, 3.8037]
2) Para AF: pb = 0.425 I.C. 99 % para p I ≡ [0.2649, 0.5851]
Para H2O: pb = 0.0750 I.C. 99 % para p I ≡ [0, 0.1814]
3) Para AL: Xb = 12503137.5
I.C. 99 % para X I ≡ [12302964.0205, 12703310.9795]
Nota. Se seleccionan todas las unidades de los conglomerados 20, 88 y 89.
4. Sistemático
En este caso se empieza dividiendo el número total de sujetos u observaciones que
conforman la población entre el que se quiere utilizar para la muestra. Posteriormente se
escoge un número al azar de entre los primeros y se va sumando de forma constante este
mismo valor; los elementos seleccionados pasarán a formar parte de la muestra.
Ejemplo
A partir de una muestra sistemática de tamaño 15, tomada a partir del primer número de la
segunda tabla de números aleatorios por columnas (4 dígitos), responda a las cuestiones 1) ,
2) y 3) del apartado
(a) referente al m.a.s.
(b)
1) Para AL: x = 8118.2667 I.C. 95 % para µ I ≡ [7532.1985, 8704.3349]
Para NT: x = 2.6667 I.C. 95 % para µ I ≡ [2.1289, 3.2044]
2) Para AF: pb = 0.4667 I.C. 99 % para p I ≡ [0.0717, 0.8616]
Para H2O: pb = 0.0667 I.C. 99 % para p I ≡ [0, 0.2641]
3) Para AL: Xb = 12177400 I.C. 99 % para X I ≡ [11298297.6941, 13056502.3059]
Nota. Unidades seleccionadas con NID: 41, 141, 241, 341, 441, 541, 641,
741, 841, 941, 1041, 1141, 1241, 1341, 1441.
Tipo de Muestreos no aleatorios o no probabilísticos
Los muestreos no probabilísticos utilizan criterios con un bajo nivel de sistematización que
procuran asegurar que la muestra tenga un cierto grado de representatividad. Este tipo de
muestreos se emplean principalmente cuando no es posible llevar a cabo otros de tipo
aleatorio, lo cual es muy habitual a causa del elevado coste de los procedimientos de
control.

1. Intencional, opinático o de conveniencia

En el muestreo intencional el investigador escoge de forma voluntaria los elementos que
conformarán la muestra, dando por supuesto que esta será representativa de la población de
referencia. Un ejemplo que resultará familiar a los estudiantes de psicología es la
utilización de alumnos como muestra opinática por parte de profesores universitarios.

2. Muestreo de bola de nieve o en cadena

En este tipo de muestreo los investigadores establecen contacto con sujetos determinados; a
continuación estos consiguen a nuevos participantes para la muestra hasta completarla. El
muestreo de bola de nieve se usa generalmente cuando se trabaja con poblaciones de difícil
acceso, como en el caso de adictos a sustancias o de miembros de culturas minoritarias.

3. Muestreo por cuotas o accidental

Hablamos de muestreo por cuotas cuando los investigadores escogen un número concreto
de sujetos que cumplan unas características determinadas (p. e. mujeres españolas de más
de 65 años con deterioro cognitivo severo) a partir de su conocimiento sobre los estratos de
la población. El muestreo accidental se usa con frecuencia en las encuestas.
 Tamaño de la muestra
El tamaño de la muestra de una muestra estadística es el número de observaciones que la
componen.
El tamaño de la muestra normalmente es representado por "n" y siempre es un número
entero positivo. No se puede hablar de ningún tamaño exacto de la muestra, ya que puede
variar dependiendo de los diferentes marcos de investigación. Sin embargo, si todo lo
demás es igual, una muestra de tamaño grande brinda mayor precisión en las estimaciones
de las diversas propiedades de la población.
¿Cuál debe ser el tamaño de la muestra?
Determinar el tamaño de la muestra que se va a seleccionar es un paso importante en
cualquier estudio de investigación. Por ejemplo, un investigador desea determinar la
prevalencia de problemas oculares en niños en edad escolar y quiere realizar una encuesta.
La pregunta importante que debe ser contestada en todas las encuestas de muestra es:
"¿Cuántos participantes deben ser elegidos para una encuesta?" Sin embargo, la respuesta
no puede ser dada sin tener en cuenta los objetivos y circunstancias de las investigaciones.
La elección del tamaño de la muestra depende de consideraciones no estadísticas y
estadísticas. Las consideraciones no estadísticas pueden incluir la disponibilidad de los
recursos, la mano de obra, el presupuesto, la ética y el marco de muestreo. Las
consideraciones estadísticas incluirán la precisión deseada de la estimación de la
prevalencia y la prevalencia esperada de los problemas oculares en niños en edad escolar.
Para determinar el tamaño adecuado de las muestras es necesario seguir los tres criterios:
1. Nivel de precisión
El nivel de precisión, también llamado error de muestreo, es el rango en donde se estima
que está el valor real de la población. Este rango se expresa en puntos porcentuales. Por lo
tanto, si un investigador descubre que el 70% de los agricultores de la muestra han
adoptado una tecnología recomendada con una tasa de precisión de ~+mn~ 5%, el
investigador puede concluir que entre el 65% y el 75% de los agricultores de la población
han adoptado la nueva tecnología.

2. Nivel de confianza
El intervalo de confianza es la medida estadística del número de veces de cada 100 que se
espera que los resultados se encuentren dentro de un rango específico.
Por ejemplo, un intervalo de confianza de 90% significa que los resultados de una acción
probablemente cubrirán las expectativas el 90% de las veces.
La idea básica descripta en el Teorema del límite central es que cuando una población se
muestrea muchas veces, el valor promedio de un atributo obtenido es igual al valor real de
la población. En otras palabras, si un intervalo de confianza es del 95%, significa que 95 de
100 muestras tendrán el valor real de la población dentro del rango de precisión.
3. Grado de variabilidad
Dependiendo de la población objetivo y los atributos a considerar, el grado de variabilidad
varía considerablemente. Cuanto más heterogénea sea una población, mayor deberá ser el
tamaño de la muestra para obtener un nivel óptimo de precisión. Ten en cuenta que una
proporción de 55% indica un nivel más alto de variabilidad que un 10% o un 80%. Esto se
debe a que 10% y 80% significa que una gran mayoría no posee o posee el atributo en
cuestión.
Existen muchos enfoques para determinar el tamaño de la muestra, incluyendo el uso de un
censo en el caso de poblaciones más pequeñas, el uso de tablas publicadas, imitar un
tamaño de muestra de estudios similares y aplicar fórmulas para calcular un tamaño de la
muestra.
Cálculo del tamaño de la muestra desconociendo el tamaño de la población
La fórmula para calcular el tamaño de muestra cuando se desconoce el tamaño de la
población es la siguiente:

En donde:
Z = nivel de confianza,
P = probabilidad de éxito, o proporción esperada
Q = probabilidad de fracaso
D = precisión (error máximo admisible en términos de proporción)

Cálculo del tamaño de la muestra conociendo el tamaño de la población

La fórmula para calcular el tamaño de muestra cuando se conoce el tamaño de la población
es la siguiente:

En donde:
N = tamaño de la población
Z = nivel de confianza
P = probabilidad de éxito, o proporción esperada
Q = probabilidad de fracaso
D = precisión (Error máximo admisible en términos de proporción).
 Media Muestral

Al querer calcular el promedio de una población, es considerado más eficiente la

implementación de la media muestral, ya que al tabajar con poblaciones muy altas es mejor
tomar una muestra aleatoria de la misma (conjunto de valores elegidos aleatoriamente
pertenecientes a la población).

Por consiguiente, considerando un conjunto de datos muestrales X1, X2, …, Xn, la media
muestral (Promedio) es el estadístico que representa el promedio de los datos, se simboliza
por , y se calcula como:

n
x 1+ x 2+…+ xn 1
¿ = ∑ xi
n n i=1

En términos más sencillos, es la suma de todos los valores de una muestra dividido entre el
número de las mismas.

Ejemplo: Se tomaron las edades de 8 niños que asistieron a una fiesta y se representaron en
la tabla adjunta, calcular el promedio de sus edades en años:

7 7 6 8
9 10 12 11

x 1+ x 2+…+ xn 7+7+6+ 8+9+10+12+11 70

¿ = = =8,75 años
n 8 8
 Varianza Muestral

La noción de varianza se suele emplear en el ámbito de la estadística. Se trata de una

palabra impulsada por el
matemático y científico inglés
Ronald Fisher (1890–1962) y
sirve para identificar a la media
de las desviaciones cuadráticas
de una variable de carácter
aleatorio, considerando el valor
medio de ésta.

Usamos el término variación

como una descripción general
de la cantidad que varían los
valores entre sí. (En ocasiones se aplica el término dispersión en vez de variación). El
término varianza se refiere a una definición específica. Se dice que la varianza muestral S2
es un estimador sin sesgo de la varianza poblacional σ 2, lo que significa que los valores de
S2tienden a igualar el valor de σ 2 , en lugar de tender, de manera sistemática, a sobreestimar
o subestimar σ 2.

La varianza de las variables aleatorias, por lo tanto, consiste en una medida vinculada a su
dispersión. Se trata de la esperanza del cuadrado de la desviación de esa variable
considerada frente su media y se mide en una unidad diferente. Lo que hace la varianza es
establecer la variabilidad de la variable aleatoria. Es importante tener en cuenta que, en
ciertos casos, es preferible emplear otras medidas de dispersión ante las características de
las distribuciones. Se denomina varianza maestral cuando se calcula la varianza de una
comunidad, grupo o población en base a una muestra. La covarianza, por otra parte, es la
medida de dispersión conjunta de un par de variables. Los expertos hablan de análisis de la
varianza para nombrar a la colección de modelos estadísticos y sus procedimientos
asociados en la cual la varianza aparece particionada en distintos componentes.
Formalmente se calcula como la suma de los residuos al cuadrado divididos entre el total de
observaciones. También se puede calcular como la desviación típica al cuadrado. Dicho sea
de paso, entendemos como residuo a la diferencia entre el valor de una variable en un
momento y el valor medio de toda la variable.

n
21 2
Formula S = ∑ (x i−x́ )
n i=1
Ejemplo:

1) Dadoun conjunto 2,3,6,8,11

Media de 6

(2−6)2 +(3−6)2 +( 6−6)2 +(8−6)2 +(11−6)2

σ 2= =10.8
5

2) Meses Niños xi fi xi · fi x²i · fi

9 1 9 1 9 81
10 4 10 4 40 400
11 9 11 9 99 1089
12 16 12 16 192 2304
13 11 13 11 143 1859
14 8 14 8 112 1568
15 1 15 1 15 225
50 610 7526

2
610 7526 2
x́= =12.2 ; σ = −12.2
50 50

3) xi fi xi · fi xi² · fi
fi
[10, 15) 3 [10, 15) 12.5 3 37.5 468.75
[15, 20) 5 [15, 20) 17.5 5 87.5 1531.25
[20, 25) 7 [20, 25) 22.5 7 157.5 3543.75
[25, 30) 4 [25, 30) 27.5 4 110 3025
[30, 35) 2 [30, 35) 32.5 2 65 2112.5
21 457.5 10681.25

457.5 10681.25
x́= =21.79 ; σ 2= −21.79 2=33.83
21 21
 Generación de muestras aleatorias

La reproducción de las fuentes de aleatoriedad en la simulación del comportamiento de un

sistema exige la capacidad de generar muestras de números aleatorios que correspondan
adecuadamente a la distribución de probabilidad que gobierna la componente particular de
conducta aleatoria que se está simulando. El mecanismo generador de tales muestras ha de
ser capaz de producir variables aleatorias de cualquier tipo, continuas o discretas. El
término «generar una variable aleatoria» se refiere a la actividad de obtener una
observación, o realización, de una variable aleatoria a partir de la distribución especificada.

Esto es consecuencia de un importante resultado de la teoría de probabilidades en función

del cual las muestras de diferentes variables de una gran variedad de distribuciones, tanto
teóricas como empíricas pueden generarse a partir de muestras de variables aleatorias
independientes uniformemente distribuidas en el intervalo (0,1).
Por lo tanto, cada vez que en esta expresión sustituimos u por un valor en el intervalo (0, 1)
correspondiente a una observación de la variable aleatoria U, uniformemente distribuida en
dicho intervalo, obtenemos el valor x de una observación de la variable aleatoria
exponencial X de parámetro m.
 Conclusión
Los estudios estadísticos nos posibilitan cuantificar la realidad y disponer de los elementos
que nos permitan su análisis.
La base de las actuaciones políticas y administrativas es el estudio de los datos estadísticos,
porque conocer la realidad nos permite actuar de una forma más coherente (con
conocimiento de causa).
Nos formulamos preguntas y con la ayuda de la estadística las intentamos responder.
Por ejemplo, el Índice de Precios al Consumo (IPC) se utiliza como medida de la inflación.
También se aplica en la revisión de los contratos de arrendamiento de inmuebles, como
referencia en la negociación salarial, en la fijación de las pensiones, en la actualización de
las primas de seguros y otros tipos de contrato, y como deflactor en la Contabilidad
Nacional.
 Referencias
https://economipedia.com/definiciones/varianza.html
https://www.superprof.es/apuntes/escolar/matematicas/estadistica/descriptiva/ejercicios-y-
problemas-de-la-varianza.html
https://www.universoformulas.com/estadistica/descriptiva/varianza/
https://definicion.de/varianza/
https://enciclopediaeconomica.com/poblacion-estadistica/
https://www.universoformulas.com/estadistica/descriptiva/poblacion-estadistica/
https://psicologiaymente.com/miscelanea/tipos-de-muestreo
http://www.estadistica.mat.uson.mx/Material/elmuestreo.pdf
https://www.psyma.com/company/news/message/como-determinar-el-tamano-de-una-
muestra
https://www.psyma.com/company/news/message/como-determinar-el-tamano-de-una-
muestra
http://aleatoriedadalfredoygustavo.blogspot.com/2016/04/22-generacion-de-muestras-
de_13.html
https://www.netquest.com/blog/es/muestreo-probabilistico-muestreo-aleatorio-simple/
http://www.fisem.org/www/union/revistas/2013/34/archivo10.pdf