República bolivariana de Venezuela.

Ministerio del Poder Popular para la Educación.

Universidad Nacional Experimental Rómulo Gallegos.
Área de ciencias económicas y sociales.
Programa de comunicación social.
1er semestre sección 2.

ESTADISTICA.

PROFESOR: ALUMNO:
Ramón Argimiro. Mario Tenepe.
C.I. 24.240.512
Calabozo, Octubre 2023
 Índice:

Muestra estadística. 1-2

Muestreo estadístico. 2-5
Estadística descriptiva. 5-7
Inferencia estadística. 7-8
Diferencia entre estadística descriptiva e inferencia estadística. 8
Muestra Estadística:
Una muestra estadística es un subconjunto de datos perteneciente a una población de
datos. Estadísticamente hablando, debe estar constituido por un cierto número de
observaciones que representen adecuadamente el total de los datos. Supongamos
que queremos estudiar un fenómeno cualquiera. En nuestro caso, ese fenómeno es el
salario medio de los ciudadanos de un país. La población de datos está formada por
todos y cada uno de los trabajadores del país. Claro que por razones de tiempo y
coste sería imposible ir preguntando a cada trabajador cuál es su salario anual.
Tardaríamos mucho tiempo o necesitaríamos muchos recursos.
En este punto aparece el concepto de muestra estadística. En lugar de preguntar a los
millones de trabajadores de un país o región, tan solo recogemos una pequeña
cantidad de datos. Por ejemplo, preguntamos a 100.000 personas. Esta tarea sigue
siendo complicada, pero es mucho más asequible preguntar a 100.000 personas que
preguntar a 30 millones. Esta pequeña cantidad de datos ha de ser representativa. Es
decir, debe representar adecuadamente a la población. Si las 100.000 personas a las
que preguntamos se concentran en barrios ricos, obtendremos datos que no son
representativos. El salario medio nos saldría mucho más alto de lo que es en realidad.
A la hora de obtener una muestra representativa existen ciertos aspectos que el
investigador debe conocer de antemano. Entre esos aspectos se encuentran las
características de una muestra representativa. Las características de una muestra
representativa son las siguientes:
 Tamaño suficientemente grande: Cuando trabajamos con muestras estamos,
normalmente, trabajando con una cantidad de datos inferior a la población.
Ahora bien, para que una muestra estadística sea representativa deberá ser lo
suficientemente grande como para considerarse representativa. Por ejemplo, si
nuestra población está formada por 10 millones de datos y escogemos 10, es
difícil que sea representativa. Eso sí, no siempre a mayor tamaño la muestra es
más representativa.
 Aleatoriedad: La selección de los datos de una muestra estadística debe ser
aleatoria. Es decir, debe ser totalmente al azar. Si en lugar de realizarlo al azar,
realizamos un proceso de selección de datos planificado, estamos
introduciendo un sesgo a la obtención de datos. Por tanto, para evitar que la
muestra sea sesgada y, por tanto, conseguir que sea una muestra
representativa, debemos hacer una selección aleatoria.
Cabe destacar que se pueden dividir en dos grandes grupos, muestra probabilística y
muestra no probabilística:
 Muestra probabilística: En este tipo de muestras todos los sujetos disponibles
tienen las mismas probabilidades de ser incluidos y se agrupan de la siguiente
manera:
 Muestra aleatoria simple: Es un conjunto de variables aleatorias
independientes e idénticamente distribuidas, obtenidas a partir de la variable
aleatoria X y que se distribuyen igual que la misma.
 Muestra aleatoria sistemática: En este caso la población se enumera y se
agrupa en grupos de 10 personas. Posteriormente, se selecciona a un miembro
de cada grupo para elaborar la muestra.
  Muestra aleatoria por conglomerados: La población se encuentra ya agrupada
previamente y de estos grupos se extraen los individuos para conformar la
muestra.
 Muestra estratificada: En este caso la población se divide en subgrupos o
estratos con base en las variables de estratificación.

 Muestra no probabilística: En este tipo de selección de muestra todos los

elementos no tienen la misma probabilidad de ser elegidos, ya que depende
del procedimiento escogido para seleccionarlos, esto pueden ser:

 Bola de nieve: En primer lugar se seleccionan a diferentes sujetos. A partir de

ahí estos sujetos colaboran para encontrar a más sujetos que tengan relación
con ellos.
 Muestra por cuotas: La población es elegida en función a unas características
determinadas.
 Muestra discrecional: La selección de la población la realizan los
investigadores en función a su propio criterio.
 Muestra por conveniencia: Es una muestra elegida por los propios
investigadores según su interés o cercanía.

Ejemplo de muestra:
Para analizar la calidad de sus productos, en una empresa encargada de fabricar
teléfonos celulares se busca conocer qué porcentaje de dispositivos móviles salen
defectuosas. Para esto se encarga a un grupo de empleados seleccionar
aleatoriamente 200 unidades del lote de 10.000 que se producen por día. A partir
de los datos obtenidos en esta muestra se realiza un estudio del porcentaje de
defectuosos y se hacen las correspondientes estimaciones.

Muestreo estadístico:
El muestreo es el proceso mediante el cual se selecciona un grupo de observaciones
que pertenecen a una población. Esto, con el fin de realizar un estudio estadístico.
El muestreo, en otras palabras, es el procedimiento mediante el cual se toman a
ciertos individuos que pertenecen a una población que está siendo sujeto de un
análisis. El muestreo es necesario por el hecho de que las poblaciones pueden ser
demasiado grandes y no es factible (económica y materialmente hablando) tomar
datos de todos los individuos. El objetivo es que la muestra sea representativa. Es
decir, que sus indicadores como la media de edad, el ingreso promedio, el porcentaje
de hombres y de mujeres, entre otros, sea el mismo, o muy similar al de la población.
Los tipos de muestreo pueden distinguirse en función de distintos criterios. Así, según
la técnica para seleccionar el subgrupo, se pueden diferenciar los siguientes:

Muestreo probabilístico
Las observaciones son seleccionadas en base a la aleatoriedad, es decir, al azar. En
esta categoría podemos encontrar:
 Muestreo aleatorio simple: Todos los individuos de la población tienen la
misma probabilidad de ser elegidos como parte de la muestra. Tiene ventajas,
 como el hecho de que es fácil de llevar a cabo a través de sistemas
informáticos. Sin embargo, se requiere el listado completo de toda la población
y, si la muestra es muy pequeña, la selección podría no ser representativa.

 Sistemático: Se elige una observación al azar y, para seleccionar el resto de la

muestra, se utilizan intervalos numéricos regulares. Es decir, supongamos que
tengo una población de 10.000 y, aleatoriamente, selecciono la observación
600, después de lo cual puedo considerar intervalos de 30 observaciones. En
este caso, tomaría las observaciones 600, 630, 660, 690, 720, 750, 780, y así
sucesivamente.
 Aleatorio estratificado: Se divide a la población en estratos, que son grupos
que comparten características en común y son más homogéneos, inclusive,
que la población en su conjunto. Entonces, se selecciona una muestra, ya sea
de manera aleatoria o sistemática, dentro de cada estrato. El objetivo es lograr
una representatividad de cada estrato.
 Por conglomerados o clústeres: Consiste en crear grupos más pequeños
que la población, los cuales reflejen o compartan todas las características de
esta. Luego, elegimos alguno de los conglomerados como muestra y lo
analizamos de forma detallada.

Muestreo no probabilístico
La selección de la muestra no depende de la probabilidad, sino de la decisión de los
investigadores. Podemos distinguir algunas subcategorías:

 Por conveniencia: Consiste en que el investigador captará a los sujetos que

estén a su disponibilidad. Por ejemplo, por su proximidad o facilidad de acceso.
 Método opinático o intencional: El investigador utiliza su juicio o criterio para
elegir a quienes van a participar como parte de la muestra.
 Casual o accidental: El investigador selecciona sin juicio previo a los
individuos que van a formar parte de la muestra. Por ejemplo, esto suele
suceder cuando se hacen encuestas en la calle.
 Bola de nieve: Consiste en que, después de encontrar al primer sujeto (o
primeros sujetos) de la muestra, el investigador le pide ayuda a él (o ellos) para
identificar a otros individuos con esas mismas características. Se trata de una
técnica utilizada cuando es difícil localizar a un grupo específico por el manejo
de datos sensibles, por ejemplo, emigrantes en situación de ilegalidad.
 Por cuotas: El investigador, tomando en cuenta la composición de la
población, y dividiendo por grupos o estratos, hará una selección proporcional
de la muestra. Por ejemplo, imaginemos que en la población hay un 40% de
personas menores de 25 años, 35% de personas de entre 25 y 50 años, y 25%
de individuos con más de 50 años. Entonces, una muestra de 4.000 personas
tendría 1.600 sujetos menores de 25 años, 1.400 de entre 25 y 50 años, y
1.000 adultos mayores de 50 años o más. Cabe señalar que los individuos que
cubrirán cada cuota serán seleccionados por algún método no probabilístico,
es decir, cualquiera de las técnicas explicadas líneas arriba.
Asimismo, conviene señalar que el muestreo puede ser simple, si se hace una sola
vez; doble, cuando se capturan dos muestras (puede utilizarse la segunda si la
primera no arroja resultados definitivos); o múltiple (es similar a la doble, pero con más
de dos muestras).
Ejemplos de muestreo probabilístico:
Un periódico local desea conocer la edad de sus lectores para enfocar sus próximos
artículos a un público en específico. Para ello, siguieron este proceso:

El grupo de investigadores visita diversas zonas de la ciudad en que se comercializa el

periódico. En total, recopilaron la información de 100 personas, cuyas edades se
encontraban en un rango de 22 a 58 años.
Determinan que el tamaño de la muestra debe ser de 10 datos. De esta manera, se
realiza lo siguiente, utilizando números aleatorios y, posteriormente, sorteados
N = 100.
n = 10.
Primer número: 70.
Segundo número: 21.
Tercer número: 8.
Cuarto número: 64.
Quinto número: 18.
Sexto número: 2.
Séptimo número: 50.
Octavo número: 9.
Noveno número: 32.
Décimo número: 44.
Una vez hecho lo anterior, los datos del total de las personas se ordenan en una tabla.
En este momento, se puede adoptar cualquier tipo de conteo para seleccionar el dato
que esté representado por el número aleatorio. Los resultados fueron los siguientes:
22, 28, 30, 35, 44, 47, 50, 52, 53, 57.
A partir de lo analizado, se puede observar que la mayoría de personas o el rango de
edad en el que más se concentran los lectores es de los 50 años hasta los 57. Con
esto, el periódico puede enfocar su próxima edición a un público específico.

Ejemplos de muestreo no probabilístico:

Utilizando el mismo ejemplo anterior, en caso de que los investigadores opten por
realizar un muestreo no probabilístico, se enfocarían en un área en específico, en el
que, por ciertos motivos, puede que se encuentren más lectores que en otras partes
de la ciudad. En este caso, se trataría de un muestreo intencional, pues el único
motivo que respalda la determinación de esa muestra es que el área es considerada
más relevante.
De igual manera, se realiza el proceso de selección de datos arbitrariamente y se
especifica el tamaño de la muestra. Por el contexto, el resultado es diferente.

La estadística es uno de los campos de estudio más importantes, y está presente en

todas las áreas de investigación, tanto en el ámbito empresarial como en el científico.
Las diversas técnicas que ofrece facilitan los análisis y constituyen una gran fuente de
información, a través de la cual podemos conocer el comportamiento y naturaleza del
entorno.

Conocer todos estos términos es de suma importancia, y por esta razón, te invitamos a
visitar nuestro blog, donde podrás encontrar artículos similares a este, y donde podrás
expandir tus conocimientos en diversas áreas.

De igual manera, puedes echar un vistazo a nuestros cursos y plantillas en Excel, una
de las herramientas más utilizadas a nivel mundial por su sencillez y por su eficacia,
para que mejores tu perfil profesional y obtengas mejores resultados en tus procesos.

Estadística Descriptiva
La es una disciplina que se encarga de recoger, almacenar, ordenar, realizar tablas o
gráficos y calcular parámetros básicos sobre el conjunto de datos. La estadística
descriptiva es, junto con la inferencia estadística o estadística inferencial, una de las
dos grandes ramas de la estadística. Su propio nombre lo indica, trata de describir
algo. Pero no describirlo de cualquiera forma, sino de manera cuantitativa. Pensemos
en el peso de una caja de verduras, en la altura de una persona o en la cantidad de
dinero que gana una empresa. De estas variables podríamos decir muchas cosas. Por
ejemplo, podríamos indicar que esta o aquella caja de tomates pesa mucho o pesan
menos que otras. Siguiendo con otro ejemplo, podríamos decir que el ingreso de una
empresa varía mucho a lo largo del tiempo o que una persona tiene una altura
promedio.
Para dictar las afirmaciones anteriores, sobre mucho, poco, alto, bajo, muy variable o
poco variable necesitamos variables de medidas. Esto es, necesitamos cuantificarlas,
ofrecer un número. Con esto en mente, podríamos utilizar los gramos o los kilogramos
como unidad de medida para saber el peso de tantas cajas de tomates como
consideremos. Una vez pesemos treinta cajas, sabremos cuales pesan más, cuales
pesan menos, que cuantía es la que más se repite o si existe mucha disparidad entre
los pesos de las diferentes cajas. Con esta idea nace la estadística descriptiva, con la
de recoger datos, almacenarlos, realizar tablas o incluso gráficos que nos ofrezcan
información sobre un determinado asunto. Adicionalmente, nos ofrecen medidas que
resumen la información de una gran cantidad de datos.

Tipos de variables estadísticas

Dentro de la estadística descriptiva, podemos describir los datos de manera cualitativa
o cuantitativa.
  Variable cualitativa: Hace referencia a una cualidad. Ejemplos: el color de
ojos de una persona o el color de pelo.
 Variable cuantitativa: Hace referencia a una medida cuantitativa. Ejemplos: la
altura de una persona en centímetros o el peso de una persona en kilogramos.
Así pues, sobre estas variables se pueden calcular ciertos parámetros. Especialmente
sobre las variables cuantitativas. Ya que, por ejemplo, ¿cuál es el valor promedio del
color de ojos? Si hay cinco personas con color de ojos azul y cinco con color de ojos
verde, el promedio no será que tienen un color de ojos promedio de azul-verde. Por
tanto, en ese caso no sería posible calcular algunos de los parámetros que veremos a
continuación.
Parámetros estadísticos básicos
Con el objetivo de resumir la información, se idearon diversas fórmulas que ofrecían
medidas de un determinado tipo. Así, están aquellas que nos ofrecen información
sobre el centro, otras sobre la dispersión o variabilidad y otras sobre la posición de un
valor.
 Medidas de tendencia central: Denominadas así porque ofrecen información
sobre el centro de conjunto de datos. Por ejemplo, la media es una medida de
tendencia o posición central ya que el promedio nos ofrece un valor centrado
del conjunto de datos. ¿Dónde podríamos decir que se encuentra el punto
medio? En el centro, en la mitad aproximadamente. Otro ejemplo de medida de
tendencia central es la mediana.
 Medidas de dispersión: También son conocidas como medidas de
variabilidad. Por ejemplo, la desviación típica es una medida de variabilidad ya
que nos dice si los valores de un conjunto de datos son muy dispares o no. Dos
ejemplos más sobre medidas de dispersión podrían ser la varianza y el rango
estadístico.
 Medidas de posición: No son las más conocidas, pero se utilizan
frecuentemente. Un ejemplo de ello, se encuentra en los percentiles o los
deciles. Cuando un dato en concreto se encuentra en el percentil 90, quiere
decir que por debajo de ese dato se encuentran el 90% de datos. Existen otras
medidas de posición como los cuartiles o algunas variantes como el primer
cuartil.
Distribución de frecuencias
También es interesante ver cómo se distribuyen las frecuencias. Para ello, existen
ciertos conceptos que debemos conocer:
 Frecuencia absoluta: Es el número total de veces que se repite una
observación. En ocasiones las observaciones se pueden presentar en
intervalos.
 Frecuencia relativa: Es el número en porcentaje que se repite una
observación o un conjunto de ellas.
 Frecuencia acumulada: Puede ser relativa acumulada o absoluta acumulada.
Indica la cantidad acumulada hasta cierta observación.
Tablas y gráficos en estadística descriptiva
Aunque las tablas y los gráficos no son algo exclusivo de la estadística descriptiva, sí
que la caracterizan. En informes, en estudios e investigaciones es muy frecuente el
uso de gráficos. Nos ayudan a mostrar la información de manera más sencilla y
acotada.
Eso sí, dentro de las tablas y gráficos existen una cantidad de tipos inmenso. A
continuación pondremos algunos ejemplos de gráficos y tablas frecuentemente
utilizados.

 Histograma.
 Gráfico de barras.
 Gráfico de sectores.
 Tablas de probabilidad.
 Tablas bidimensionales.
 Gráfico de cajas.

Ejemplos de estadística descriptiva

Un ejemplo de estadística descriptiva sería cuando queremos calcular la media de
goles por partido de un futbolista. Se trata de estadística descriptiva, ya que tratamos
de describir una variable (número de goles). En este caso, mediante el cálculo de una
métrica. Así pues, decir que el jugador metió 2 goles por partido durante los últimos 30
partidos, es una frase propia de estadística descriptiva.

Inferencia estadística:
La inferencia estadística es el conjunto de métodos que permiten inducir, a través de
una muestra estadística, el comportamiento de una determinada población. La
inferencia estadística, estudia entonces como, a través de la aplicación de dichos
métodos sobre los datos de una muestra, se pueden extraer conclusiones sobre los
parámetros de la población de datos. De la misma manera estudia también el grado de
fiabilidad de los resultados extraídos del estudio.
Para entender el concepto es importante entender tres conceptos:
Inferencia: Inferir significa, literalmente, extraer juicios o conclusiones a partir de
ciertos supuestos, sean estos generales o particulares.
Población: Una población de datos, es el conjunto total de datos que existen sobre un
variable.
Muestra estadística: Una muestra es una parte de la población de datos.
Teniendo claro a lo que nos referimos con el concepto de inferir, una de las dudas
fundamentales recae en el hecho de elegir una muestra en lugar de una población.
Normalmente, en estadística, se trabaja con muestras debido a la gran cantidad de
datos que tiene una población. Por ejemplo, si queremos sacar conclusiones, esto es,
inferir, los resultados de las elecciones generales, es imposible preguntar a toda la
población del país. Para solventar ese problema se escoge una muestra variada y
representativa. Gracias a la cual se puedan extraer una estimación del resultado final.
Escoger una muestra adecuada corre a cargo de las distintas técnicas de muestreo.
Métodos de la inferencia estadística
Los métodos y técnicas de la inferencia estadística se pueden dividir en dos: métodos
de estimación de parámetros y métodos de contraste de hipótesis.
  Métodos de estimación de parámetros: Se encarga de asignar un valor al
parámetro o al conjunto de parámetros que caracterizan el campo sujeto a
estudio. Claro que al ser una estimación existe cierto error. Para obtener
estimaciones adaptadas a esa realidad, se crean intervalos de confianza.
 Métodos de contraste de hipótesis: Su objetivo es comprobar si una estimación
corresponde con los valores poblacionales. En todo contraste de hipótesis
existen dos supuestos. La hipótesis nula (H0) que recoge la idea de que un
valor tiene un valor predeterminado. Si se rechaza la hipótesis nula (H0),
entonces se acepta la hipótesis alternativa (H1).
Ejemplo de estadística inferencial
Un ejemplo sencillo de cómo se puede aplicar la estadística inferencial a la
investigación de mercados sería el siguiente:
Supongamos que una empresa quiere saber si los consumidores están satisfechos
con un nuevo producto que han lanzado al mercado. Para hacer esto, la empresa
puede seleccionar una muestra aleatoria de consumidores y pedirles que califiquen el
producto en una escala del 1 al 10. Una vez que la empresa tiene los datos de la
muestra, puede utilizar la estadística inferencial para hacer generalizaciones sobre la
población completa de consumidores que compraron el producto.
Por ejemplo, puede calcular el promedio y la desviación estándar de las calificaciones
de la muestra y usar estos valores para estimar la calificación promedio de todos los
consumidores que compraron el producto. La empresa también puede utilizar técnicas
estadísticas para evaluar la confianza en la precisión de sus estimaciones. Por
ejemplo, puede calcular un intervalo de confianza para la calificación promedio y
determinar la probabilidad de que la verdadera calificación promedio de la población
caiga dentro de ese intervalo. La estadística inferencial se puede utilizar en la
investigación de mercados para hacer inferencias precisas sobre la opinión de los
consumidores sobre un producto o servicio, lo que puede ayudarte a tomar decisiones
informadas sobre cómo mejorar o promocionar tus productos.

Diferencias entre estadística descriptiva e inferencia estadística

La estadística descriptiva es el conjunto de métodos estadísticos que describen y/o
caracterizan un grupo de datos. La estadística inferencial busca deducir y sacar
conclusiones acerca de situaciones generales más allá del conjunto de datos
obtenidos.
La estadística es una disciplina que se encarga de procesar y organizar los datos,
siendo los datos cualquier medida o valor que se puede obtener a través de
experimentos, encuestas, censos u otros medios. El análisis de los datos por lo
general se inicia con la aplicación de métodos de estadística descriptiva, para luego
seguir con métodos de estadística inferencial.