Sunteți pe pagina 1din 25

VAZQUEZ MORALES RAPHAEL-INSTITUTO TECNOLOGICO SUP

INSTITUTO TECNOLOGICO SUPERIOR DE


COATZACOALCOS
ALUMNO:
RAPHAEL VAZQUEZ MORALES
CARRERA:
ING. SISTEMAS COMPUTACIONALES
GRADO: 2

GRUPO : A
MATERIA:

PROBABILIDAD Y ESTADISTICA
MAESTRA:
LANDY BLANQUET ESCOBAR
COATZACOALCOS VERACRUZ A 6 DE
MAYO DEL 2015

TEMARIO DE PROBABILIDAD Y ESTADISTICA


Unidad 1 Tcnicas de conteo
1.1 Principio aditivo.
1.2 Principio multiplicativo.
1.3 Notacin Factorial.
1.4 Permutaciones.
1.5 Combinaciones.
1.6 Diagrama de rbol.
1.7 Teorema del Binomio.
Unidad 2 Fundamentos de la teora de probabilidad
2.1 Teora elemental de probabilidad.
2.2 Probabilidad de Eventos: Definicin de espacio
muestral, definicin de evento, simbologa, unin,
interseccin, diagramas de Venn.
2.3 Probabilidad con Tcnicas de Conteo: Axiomas,
Teoremas.
2.4 Probabilidad condicional: Dependiente, Independiente.
2.5 Ley multiplicativa.
2.6 Eventos independientes: Regla de Bayes.
2.7 Variable aleatoria.
2.8 Variables aleatorias conjuntas.
2.9 Modelos analticos de fenmenos aleatorios discretos.
2.10 Modelos analticos de fenmenos aleatorios continuos.
Unidad 3 Estadstica descriptiva

3.1 Conceptos bsicos de estadstica: Definicin, Teora


de decisin, Poblacin, Muestra aleatoria, Parmetros
aleatorios.
3.2 Descripcin de datos: Datos agrupados y no
agrupados, Frecuencia de clase, Frecuencia relativa,
Punto medio, Lmites. 3.3Medidas de tendencia
central: Media aritmtica, geomtrica y ponderada,
Mediana, Moda, Medidas de dispersin, Varianza,
Desviacin estndar, Desviacin media, Desviacin
mediana, Rango. 3.4 Parmetros para datos
agrupados.

3.5 Distribucin de frecuencias.


3.6 Tcnicas de agrupacin de datos.
3.7 Tcnicas de muestreo.
3.8 Histogramas.
Unidad 4 Distribuciones mustrales
4.1 Funcin de probabilidad.
4.2 Distribucin binomial.
4.3 Distribucin hipergeomtrica.
4.4 Distribucin de Poisson.
4.5 Esperanza matemtica.
4.6 Distribucin normal.
4.7 Distribucin T-student.
4.8 Distribucin Chi cuadrada.
4.9 Distribucin F.
Unidad 5 Estadstica aplicada
5.1 Inferencia estadstica: Concepto, Estimacin, Prueba de
hiptesis.
3

5.2 Estimaciones puntuales y por intervalos de


confianza. 5.3 Regresin y correlacin

UNIDAD
3

ndice
Unidad 3.- Estadstica descriptiva
3.1 Conceptos bsicos de estadstica: Definicin, Teora de decisin, Poblacin,
Muestra aleatoria, Parmetros aleatorios...6
3.2 Descripcin de datos: Datos agrupados y no agrupados, Frecuencia de
clase, Frecuencia relativa, Punto medio, Lmites..9
3.3 Medidas de tendencia central: Media aritmtica, geomtrica y ponderada,
Mediana, Moda, Medidas de dispersin, Varianza, Desviacin estndar,
Desviacin media, Desviacin mediana,
Rango..10
3.4 Parmetros para datos agrupados..13
3.5 Distribucin de frecuencias..14
3.6 Tcnicas de agrupacin de datos15
3.7 Tcnicas de muestreo...16
3.8 Histogramas20
Alfabeto Griego. 21
Conclusin de la unidad.. 22

3.1 Conceptos bsicos de estadstica: Definicin, Teora de decisin,


Poblacin, Muestra aleatoria, Parmetros aleatorios
TEORA DE DECISIN
Estudio formal sobre la toma de decisiones. Los estudios de casos reales, que se
sirven de la inspeccin y los experimentos, se denominan teora descriptiva de
decisin; los estudios de la toma de decisiones racionales, que utilizan la lgica y
la estadstica, se llaman teora preceptiva de decisin. Estos estudios se hacen
ms complicados cuando hay ms de un individuo, cuando los resultados de
diversas opciones no se conocen con exactitud y cuando las probabilidades de los
distintos resultados son desconocidas. La teora de decisin comparte
caractersticas con la teora de juegos, aunque en la teora de decisin el
"adversario" es la realidad en vez de otro jugador o jugadores.
Al hacer un anlisis sobre esta teora, y mirndola desde el punto de vista de un
sistema, se puede decir que al tomar una decisin sobre un problema en particular,
se debe tener en cuenta los puntos de dificultad que lo componen, para as
empezar a estudiarlos uno a uno hasta obtener una solucin que sea acorde a lo
que se est esperando obtener de este, y si no, buscar otras soluciones que se
acomoden a lo deseado.
La teora de decisin, no solamente se puede ver desde el punto de vista de un
sistema, sino en general, porque esta se utiliza a menudo para tomar decisiones
de la vida cotidiana, ya que muchas personas piensan que la vida es como una de
las teoras; La teora del juego, que para poder empezarlo y entenderlo hay que
saber jugarlo y para eso se deben conocer las reglas de este, para que no surjan
equivocaciones al empezar la partida.
Se puede decir que la Teora de decisin es una de las ramas que sirve para que
al dar un paso, no se vaya a dar en falso, porque si se conoce de esta no hay el
porqu de equivocarse.

POBLACIN
El concepto de poblacin en estadstica va ms all de lo que comnmente se
conoce como tal. Una poblacin se precisa como un conjunto finito o infinito de
personas u objetos que presentan caractersticas comunes. "Una poblacin es
un conjunto de todos los elementos que estamos estudiando, acerca de los
cuales intentamos sacar conclusiones". Levan & Rubin (1996). "Una poblacin
es un conjunto de elementos que presentan una caracterstica comn".
Cadenas (1974). Ejemplo: Los miembros del Colegio de Ingenieros del Estado
Cojedes. El tamao que tiene una poblacin es un factor de suma importancia
en el proceso de investigacin estadstica, y este tamao vienen dado por el
nmero de elementos que constituyen la poblacin, segn el nmero de
elementos la poblacin puede ser finita o infinita. Cuando el nmero de
elementos que integra la poblacin es muy grande, se puede considerar a esta
como una poblacin infinita, por ejemplo; el conjunto de todos los nmeros
positivos. Una poblacin finita es aquella que est formada por un limitado
nmero de elementos, por ejemplo; el nmero de estudiante del Ncleo San
Carlos de la Universidad Nacional Experimental Simn Rodrguez. Cuando la
poblacin es muy grande, es obvio que la observacin de todos los elementos
se dificulte en cuanto al trabajo, tiempo y costos necesarios para hacerlo. Para
6

solucionar este inconveniente se utiliza una muestra estadstica. Es a menudo


imposible o poco prctico observar la totalidad de los individuos, sobre todos si
estos son muchos. En lugar de examinar el grupo entero llamado poblacin o
universo, se examina una pequea parte del grupo llamada muestra.
Poblacin o Universo: es el total del conjunto de elementos u objetos de los
cuales se quiere obtener informacin. Aqu el trmino poblacin tiene un
significado mucho ms amplio que el usual, ya que puede referirse a personas,
cosas, actos, reas geogrficas e incluso al tiempo.
La poblacin debe estar perfectamente definida en el tiempo y en el espacio,
de modo que ante la presencia de un potencial integrante de la misma, se
pueda decidir si forma parte o no de la poblacin bajo estudio. Por lo tanto, al
definir una poblacin, se debe cuidar que el conjunto de elementos que la
integran quede perfectamente delimitado.
MUESTRA ALEATORIA
Es una muestra sacada de una poblacin de unidades, de manera que todo
elemento de la poblacin tenga la misma probabilidad de seleccin y que las
unidades diferentes se seleccionen independientemente.
Muestra aleatoria: muestra elegida independientemente de todas las dems,
con la misma probabilidad que cualquier otra y cuyos elementos estn elegidos
independientemente unos de otros y con la misma probabilidad. Muestra
aleatoria
Una muestra aleatoria es una muestra sacada de una poblacin de unidades,
de manera que todo elemento de la poblacin tenga la misma probabilidad de
seleccin y que las unidades diferentes se seleccionen independientemente.
Variables aleatorias y distribuciones
Se llama variable aleatoria aquella que toma diversos valores o conjuntos de
valores con distintas probabilidades. Existen 2 caractersticas importantes de
una variable aleatoria, sus valores y las probabilidades asociadas a esos
valores.
Una tabla, grfico o expresin matemtica que de las probabilidades con que
una variable aleatoria toma diferentes valores, se llama distribucin de la
variable aleatoria.
Como vimos anteriormente, la inferencia estadstica se relaciona con las
conclusiones que se pueden sacar acerca de una poblacin de observaciones
basndose en una muestra de observaciones. Entonces intervienen las
probabilidades en el proceso de la seleccin de la muestra; en este caso se
desea saber algo sobre una distribucin con base en una muestra aleatoria de
esa distribucin.
De tal manera vemos que trabajamos con muestras aleatorias de una
poblacin que es mas grande que la muestra obtenida; tal muestra aleatoria
aislada no es mas que una de muchas muestras diferentes que se habran
podido obtener mediante el proceso de seleccin. Este concepto es realmente
importante en estadstica.
La distribucin de un estadgrafo en todas las muestras aleatorias de tamao n
tomadas de una poblacin, se llama distribucin muestral del estadgrafo para
muestras aleatorias de tamao n.
Para muestras aleatorias de tamao n de toda poblacin base, la media de la
distribucin muestral de la media muestral, es la media de la poblacin de
base.
7

Para muestras aleatorias de tamao n de toda poblacin base, la varianza de la


distribucin muestral de la media muestral, es s2/ n que es la varianza de la
poblacin de base dividida por el tamao de la muestra.
Para muestras aleatorias de tamao n de toda poblacin de base, la media de
la distribucin muestral de la varianza muestral s2, es la varianza s2 de la
poblacin de base.
PARMETROS ALEATORIOS
Se llama variable aleatoria aquella que toma diversos valores o conjuntos de
valores con distintas probabilidades. Existen 2 caractersticas importantes de
una variable aleatoria, sus valores y las probabilidades asociadas a esos
valores.
Una tabla, grfico o expresin matemtica que d las probabilidades con que
una variable aleatoria toma diferente valores, se llama distribucin de la
variable aleatoria.
Como vimos anteriormente, la inferencia estadstica se relaciona con las
conclusiones que se pueden sacar acerca de una poblacin de observaciones
basndose en una muestra de observaciones. Entonces intervienen las
probabilidades en el proceso de la seleccin de la muestra; en este caso se
desea saber algo sobre una distribucin con base en una muestra aleatoria de
esa distribucin.
De tal manera vemos que trabajamos con muestras aleatorias de una
poblacin que es ms grande que la muestra obtenida; tal muestra aleatoria
aislada no es ms que una de muchas muestras diferentes que se habran
podido obtener mediante el proceso de seleccin. Este concepto es realmente
importante en estadstica.

3.2 Descripcin de datos: Datos agrupados y no agrupados, Frecuencia


de clase, Frecuencia relativa, Punto medio, Lmites.
La estadstica descriptiva es una parte de la estadstica que se dedica a
analizar y representar los datos. Este anlisis es muy bsico, pero fundamental
en todo estudio. Aunque hay tendencia a generalizar a toda la poblacin las
primeras conclusiones obtenidas tras un anlisis descriptivo, su poder
inferencia es mnimo y debera evitarse tal proceder. Otras ramas de la
estadstica se centran en el contraste de hiptesis y su generalizacin a la
poblacin.
Algunas de las tcnicas empleadas en este primer anlisis de los datos se
enumeran ms abajo en el listado de conceptos bsicos. Bsicamente, se lleva
a cabo un estudio calculando una serie de medidas de tendencia central, para
ver en qu medida los datos se agrupan o dispersan en torno a un valor
central.
DATOS AGRUPADOS Y NO AGRUPADOS
Cuando la muestra que se ha tomado de la poblacin o proceso que se desea
analizar, es decir, tenemos menos de 20 elementos en la muestra, entonces
estos datos son analizados sin necesidad de formar clases con ellos y a esto
es a lo que se le llama tratamiento de datos no agrupados.
Cuando la muestra consta de 30 o ms datos, lo aconsejable es agrupar los
datos en clases y a partir de estas determinar las caractersticas de la muestra
y por consiguiente las de la poblacin de donde fue tomada. Antes de pasar a
definir cul es la manera de determinar las caractersticas de inters (media,
mediana, moda, etc.) cuando se han agrupado en clases los datos de la
muestra, es necesario que sepamos como se agrupan los datos.
FRECUENCIA DE CLASE
Marca de clase (punto medio): punto que divide a la clase en dos partes
iguales. Es el promedio entre los lmites superior e inferior de la clase.
Intervalo de clase: para una distribucin de frecuencias que tiene clases del
mismo tamao, el intervalo de clase se obtiene restando el lmite inferior de una
clase del lmite inferior de la siguiente.
FRECUENCIA RELATIVA
Es la relacin o cociente entre la frecuencia absoluta y el nmero total de
observaciones. Es la proporcin entre la frecuencia de un intervalo y el nmero
total de datos.
PUNTO MEDIO
Punto medio es el punto que divide a un segmento en dos partes iguales.
El punto medio de un segmento, es nico y equidista de los extremos del
segmento. Cumpliendo esta ltima condicin, pertenece a la mediatriz del
segmento.
La frmula para determinar el punto medio de un segmento en el plano, con
coordenadas: (x1,y1) y (x2,y2) es: [(x1 + x2) / 2] + [(y1 + y2) / 2]
9

LIMITES
Son los valores extremos que tiene el intervalo de clase, inferior y superior,
entre los cuales van a estar los valores de los datos agrupados en ese intervalo
de clase.

3.3 Medidas de tendencia central: Media aritmtica, geomtrica y


ponderada, Mediana, Moda, Medidas de dispersin, Varianza, Desviacin
estndar, Desviacin media, Desviacin mediana, Rango
Tambin se les conoce como medidas de posicin o promedios son los valores
que se utilizan para representar el conjunto de observaciones. Tienden a
situarse en el centro del conjunto de los datos, previamente ordenados.
Las principales medidas centrales son: La media, la mediana y la moda.
MEDIA ARITMETICA GEOMETRICA PONDERADA
Media aritmtica:
Es uno de los promedios de mayor utilizacin. Su generalizacin se debe a las
propiedades que posee, que la convierten en un indicador muy representativo.
Se obtiene sumando los productos de cada valor de la variable por su
respectiva frecuencia, y dividiendo esta suma por el total de observaciones.
MEDIANA EN ESTADISTICA
Mediana:
Es el valor de la variable que divide a la distribucin de frecuencias en dos
partes iguales.
Para hallar la mediana ordenamos las frecuencias de mayor a menor o
viceversa, y si hay un nmero impar de valores la mediana es el central y si es
par ser la semisuma de los dos valores.

10

Moda.
Se define como aquel valor o valores que ms se repiten entre los datos que se
han obtenido en una muestra. Una vez que los datos se han ordenado es
posible observar la moda o modas de la misma, la distribucin de los datos
puede ser amodal (carece de moda), Unimodal (tiene una sola moda), bimodal
(tiene dos modas), polimodal (tiene ms de dos modas).
Amplitud de variacin o rango.
Es la medida ms sencilla de calcular y comprender. Es la diferencia entre el
valor mayor y el valor menor. Se determina de la siguiente manera:
R = VM Vm
La principal limitacin de la Amplitud de variacin o rango es que considera
solamente los valores extremos de un conjunto, y no proporciona mayor
informacin respecto a los dems valores del mismo.
Se ha encontrado determinado nmero de medidas de dispersin que utilizan
la media como punto de referencia. Todas incluyen la obtencin de la
desviacin, o diferencia entre cada valor y la media (xi - ). Se consideran tres
de estas medidas. La primera trata sobre la desviacin absoluta respecto de la

11

media, mientras que las otras dos se concentran en las desviaciones


cuadradas a partir de la media.
Desviacin Media.
Mide la desviacin promedio de valores con respecto a la media del grupo, sin
tomar en cuenta el signo de la desviacin. Se obtiene al restar la media a cada
valor del grupo, eliminando el signo de la desviacin, hallando despus el
promedio.

Varianza o Variancia.
La varianza de una muestra se calcula casi en la misma forma que la
desviacin media, con dos pequeas diferencias: 1) las desviaciones de elevan
al cuadrado antes de ser sumadas y, 2) se obtiene el promedio, utilizando n - 1
en lugar de n.

Desviacin estndar.
La desviacin estndar es simplemente la raz cuadrada positiva de la
varianza. De este modo si la varianza es 81 la desviacin estndar es 9. Para
obtener la desviacin estndar se debe calcular la varianza y hallar su raz
cuadrada. Las frmulas para la desviacin estndar son:

12

3.4 Parmetros para datos agrupados.


Pasos para agrupar datos:
a) Determinar el rango o recorrido de los datos.
Rango = Valor mayor Valor menor
b) Establecer el nmero de clases (k) en que se van a agrupar los datos de la
tabla.
c) Determinar la amplitud de clase para agrupar (C).
C=Rango/k
d) Formar clases y agrupar datos.
Para formar la primera clase, se pone como lmite inferior de la primera clase
un valor un poco menor que el dato menor encontrado en la muestra y
posteriormente se suma a este valor C, obteniendo de esta manera el lmite
superior de la primera clase, luego se procede a obtener los lmites de la clase
siguiente y as sucesivamente.

13

3.5 Distribucin de Frecuencias.


Una distribucin de frecuencias o tabla de frecuencias es una ordenacin en
forma de tabla de los datos estadsticos, asignando a cada dato su frecuencia
correspondiente.
*Frecuencia absoluta
La frecuencia absoluta es el nmero de veces que aparece un determinado
valor en un estudio estadstico. Se representa por fi.
La suma de las frecuencias absolutas es igual al nmero total de datos, que se
representa por N.
Para indicar resumidamente estas sumas se utiliza la letra griega (sigma
mayscula) que se lee suma o sumatoria.
*Frecuencia relativa
La frecuencia relativa es el cociente entre la frecuencia absoluta de un
determinado valor y el nmero total de datos. Se puede expresar en tantos por
ciento y se representa por ni.
La suma de las frecuencias relativas es igual a 1.
*Frecuencia acumulada
La frecuencia acumulada es la suma de las frecuencias absolutas de todos los
valores inferiores o iguales al valor considerado. Se representa por Fi.
*Frecuencia relativa acumulada
14

La frecuencia relativa acumulada es el cociente entre la frecuencia acumulada


de un determinado valor y el nmero total de datos. Se puede expresar en
tantos por ciento.

3.6 Tcnicas de agrupacin de datos.


Es aquella distribucin en la distribucin tabular de los datos estadsticos se
encuentran ordenados en clases y con la frecuencia de cada clase; es decir, los
datos originales de varios valores adyacentes del conjunto se combinan para
formar un intervalo de clases. No existen normas establecidas para determinar
cundo es apropiado utilizar datos agrupados o no agrupados; sin embargo, se
sugiere que cuando el nmero total de datos (N) es igual o superior 50 y
adems el rango o recorrido de la serie es mayor de 20, entonces, se utilizara
la distribucin de frecuencia para datos agrupados, tambin se utilizara este
tipo de distribucin cuando se requiera elaborar grficos lineales como el
histograma, el polgono de frecuencia o la ojiva.
Cuando la muestra consta de 30 o ms datos, lo aconsejable es agrupar los
datos en clases y a partir de estas determinar las caractersticas de la muestra
y por consiguiente las de la poblacin de donde fue tomada.
Antes de pasar a definir cul es la manera de determinar las caractersticas de
inters (media, mediana, moda, etc.) cuando se han agrupado en clases los
datos de la muestra, es necesario que sepamos cmo se agrupan los datos.

15

3.7 Tcnicas de muestreo.


Existen dos mtodos para seleccionar muestras de poblaciones: el muestreo
no aleatorio o de juicio y el muestreo aleatorio (que incorpora el azar como
recurso en el proceso de seleccin). Cuando este ltimo cumple con la
condicin de que todos los elementos de la poblacin tienen alguna
oportunidad de ser escogidos en la muestra, si la probabilidad correspondiente
a cada sujeto de la poblacin es conocida de antemano, recibe el nombre de
muestreo probabilstico. Una muestra seleccionada por muestreo de juicio
puede basarse en la experiencia de alguien con la poblacin. Algunas veces
una muestra de juicio se usa como gua o muestra tentativa para decidir cmo
tomar una muestra aleatoria ms adelante.
Muestreo probabilstico
Forman parte de este tipo de muestreo todos aquellos mtodos para los que
puede calcular la probabilidad de extraccin de cualquiera de las muestras
posibles. Este conjunto de tcnicas de muestreo es el ms aconsejable,
aunque en ocasiones no es posible optar por l. En este caso se habla de
muestras probabilsticas, pues no es en rigor correcto hablar de muestras
representativas dado que, al no conocer las caractersticas de la poblacin, no
es posible tener certeza de que tal caracterstica se haya conseguido.
Sin reposicin de los elementos: Cada elemento extrado se descarta para la
subsiguiente extraccin. Por ejemplo, si se extrae una muestra de una
16

"poblacin" de bombillas para estimar la vida media de las bombillas que la


integran, no ser posible medir ms que una vez la bombilla seleccionada.
Con reposicin de los elementos: Las observaciones se realizan con
reemplazamiento de los individuos, de forma que la poblacin es idntica en
todas las extracciones. En poblaciones muy grandes, la probabilidad de repetir
una extraccin es tan pequea que el muestreo puede considerarse sin
reposicin aunque, realmente, no lo sea.
Con reposicin mltiple: En poblaciones muy grandes, la probabilidad de repetir
una extraccin es tan pequea que el muestreo puede considerarse sin
reposicin. Cada elemento extrado se descarta para la subsiguiente
extraccin.
Para realizar este tipo de muestreo, y en determinadas situaciones, es muy til
la extraccin de nmeros aleatorios mediante ordenadores, calculadoras o
tablas construidas al efecto.
Muestreo estratificado
Consiste en la divisin previa de la poblacin de estudio en grupos o clases
que se suponen homogneos con respecto a alguna caracterstica de las que
se van a estudiar. A cada uno de estos estratos se le asignara una cuota que
determinara el nmero de miembros del mismo que compondrn la muestra.
Dentro de cada estrato se suele usar la tcnica de muestreo sistemtico, una
de las tcnicas de seleccin ms usadas en la prctica.
Segn la cantidad de elementos de la muestra que se han de elegir de cada
uno de los estratos, existen dos tcnicas de muestreo estratificado:
Asignacin proporcional: el tamao de la muestra dentro de cada estrato es
proporcional al tamao del estrato dentro de la poblacin.
Asignacin ptima: la muestra recoger ms individuos de aquellos estratos
que tengan ms variabilidad. Para ello es necesario un conocimiento previo de
la poblacin.
Por ejemplo, para un estudio de opinin, puede resultar interesante estudiar por
separado las opiniones de hombres y mujeres pues se estima que, dentro de
cada uno de estos grupos, puede haber cierta homogeneidad. As, si la
poblacin est compuesta de un 55% de mujeres y un 45% de hombres, se
tomara una muestra que contenga tambin esos mismos porcentajes de
hombres y mujeres.
Para una descripcin general del muestreo estratificado y los mtodos de
inferencia asociados con este procedimiento, suponemos que la poblacin est
dividida en h subpoblaciones o estratos de tamaos conocidos N1, N2,..., Nh
tal que las unidades en cada estrato sean homogneas respecto a la
caracterstica en cuestin. La media y la varianza desconocidas para el i-simo
estrato son denotadas por m y si2, respectivamente.
Muestreo sistemtico
Se utiliza cuando el universo o poblacin es de gran tamao, o ha de
extenderse en el tiempo. Primero hay que identificar las unidades y
relacionarlas con el calendario (cuando proceda). Luego hay que calcular una
constante, que se denomina coeficiente de elevacin K= N/n; donde N es el
tamao del universo y n el tamao de la muestra. Determinar en qu fecha se
producir la primera extraccin, para ello hay que elegir al azar un nmero
entre 1 y K; de ah en adelante tomar uno de cada K a intervalos regulares.
Ocasionalmente, es conveniente tener en cuenta la periodicidad del fenmeno.

17

Esto quiere decir que si tenemos un determinado nmero de personas que es


la poblacin (N) y queremos escoger de esa poblacin un nmero ms
pequeo el cual es la muestra (n), dividimos el nmero de la poblacin por el
nmero de la muestra que queremos tomar y el resultado de esta operacin
ser el intervalo, entonces escogemos un nmero al azar desde uno hasta el
nmero del intervalo, y a partir de este nmero escogemos los dems
siguiendo el orden.
Muestreo por estadios mltiples
Esta tcnica es la nica opcin cuando no se dispone de lista completa de la
poblacin de referencia o bien cuando por medio de la tcnica de muestreo
simple o estratificado se obtiene una muestra con unidades distribuidas de tal
forma que resultan de difcil acceso. En el muestreo a estadios mltiples se
subdivide la poblacin en varios niveles ordenados que se extraen
sucesivamente por medio de un procedimiento de embudo. El muestreo se
desarrolla en varias fases o extracciones sucesivas para cada nivel.
Por ejemplo, si tenemos que construir una muestra de profesores de primaria
en un pas determinado, stos pueden subdividirse en unidades primarias
representadas por circunscripciones didcticas y unidades secundarias que
seran los propios profesores. En primer lugar extraemos una muestra de las
unidades primarias (para lo cual debemos tener la lista completa de estas
unidades) y en segundo lugar extraemos aleatoriamente una muestra de
unidades secundarias de cada una de las primarias seleccionadas en la
primera extraccin.
Muestreo por conglomerado
Tcnica similar al muestreo por estadios mltiples, se utiliza cuando la
poblacin se encuentra dividida, de manera natural, en grupos que se supone
que contienen toda la variabilidad de la poblacin, es decir, la representan
fielmente respecto a la caracterstica a elegir, pueden seleccionarse slo
algunos de estos grupos o conglomerados para la realizacin del estudio.
Dentro de los grupos seleccionados se ubicarn las unidades elementales, por
ejemplo, las personas a encuestar, y podra aplicrsele el instrumento de
medicin a todas las unidades, es decir, los miembros del grupo, o slo se les
podra aplicar a algunos de ellos, seleccionados al azar. Este mtodo tiene la
ventaja de simplificar la recogida de informacin muestral.
Cuando, dentro de cada conglomerado seleccionado, se extraen algunos
individuos para integrar la muestra, el diseo se llama muestreo bietpico.
Las ideas de estratos y conglomerados son, en cierto sentido, opuestas. El
primer mtodo funciona mejor cuanto ms homognea es la poblacin respecto
del estrato, aunque ms diferentes son stos entre s. En el segundo, ocurre lo
contrario. Los conglomerados deben presentar toda la variabilidad, aunque
deben ser muy parecidos entre s.
Homogeneidad de las poblaciones o sus subgrupos
Homogneo significa, en el contexto de la estratificacin, que no hay mucha
variabilidad. Los estratos funcionan mejor cuanto ms homogneos son cada
uno de ellos respecto a la caracterstica a medir. Por ejemplo, si se estudia la
estatura de una poblacin, es bueno distinguir entre los estratos mujeres y
hombres porque se espera que, dentro de ellos, haya menos variabilidad, es
decir, sean menos heterogneos. Dicho de otro modo, no hay tantas
diferencias entre unas estaturas y otras dentro del estrato que en la poblacin
total.
18

Por el contrario, la heterogeneidad hace intil la divisin en estratos. Si se dan


las mismas diferencias dentro del estrato que en toda la poblacin, no hay por
qu usar este mtodo de muestreo. En los casos en los que existan grupos que
contengan toda la variabilidad de la poblacin, lo que se construyen son
conglomerados, que ahorran algo del trabajo que supondra analizar toda la
poblacin. En resumen, los estratos y los conglomerados funcionan bajo
principios opuestos: los primeros son mejores cuanto ms homogneo es el
grupo respecto a la caracterstica a estudiar y los conglomerados, si
representan fielmente a la poblacin, esto es, contienen toda su variabilidad, o
sea, son heterogneos.
Muestreo no probabilstico
Aqul para el que no puede calcularse la probabilidad de extraccin de una
determinada muestra. Se busca seleccionar a individuos que se juzga de
antemano tienen un conocimiento profundo del tema bajo estudio, por lo tanto,
se considera que la informacin aportada por esas personas es vital para la
toma de decisiones.
Muestreo por cuotas
Es la tcnica ms difundida sobre todo en estudios de mercado y sondeos de
opinin. En primer lugar es necesario dividir la poblacin de referencia en
varios estratos definidos por algunas variables de distribucin conocida (como
el gnero o la edad). Posteriormente se calcula el peso proporcional de cada
estrato, es decir, la parte proporcional de poblacin que representan.
Finalmente se multiplica cada peso por el tamao de n de la muestra para
determinar la cuota precisa en cada estrato. Se diferencia del muestreo
estratificado en que una vez determinada la cuota, el investigador es libre de
elegir a los sujetos de la muestra dentro de cada estrato.
Muestreo de bola de nieve
Indicado para estudios de poblaciones clandestinas, minoritarias o muy
dispersas pero en contacto entre s. Consiste en identificar sujetos que se
incluirn en la muestra a partir de los propios entrevistados. Partiendo de una
pequea cantidad de individuos que cumplen los requisitos necesarios estos
sirven como localizadores de otros con caractersticas anlogas.
Muestreo subjetivo por decisin razonada
En este caso las unidades de la muestra se eligen en funcin de algunas de
sus caractersticas de manera racional y no casual. Una variante de esta
tcnica es el muestreo compensado o equilibrado, en el que se seleccionan las
unidades de tal forma que la media de la muestra para determinadas variables
se acerque a la media de la poblacin.

19

3.8 Histograma.
En estadstica, un histograma es una representacin grfica de una variable en
forma de barras, donde la superficie de cada barra es proporcional a la
frecuencia de los valores representados. En el eje vertical se representan las
frecuencias, y en el eje horizontal los valores de las variables, normalmente
sealando las marcas de clase, es decir, la mitad del intervalo en el que estn
agrupados los datos.
Se utilizan para variables continuas o para variables discretas, con un gran
nmero de datos, y que se han agrupado en clases.
Se utiliza cuando se estudia una variable continua, como franjas de edades o
altura de la muestra, y, por comodidad, sus valores se agrupan en clases, es
decir, valores continuos. En los casos en los que los datos son cualitativos (nonumricos), como sexto grado de acuerdo o nivel de estudios, es preferible un
diagrama de sectores.
Los histogramas son ms frecuentes en ciencias sociales, humanas y
econmicas que en ciencias naturales y exactas. Y permite la comparacin de
los resultados de un proceso.

20

Tipos de histograma
*Diagramas de barras simples:
Representa la frecuencia simple (absoluta o relativa) mediante la altura de la
barra la cual es proporcional a la frecuencia simple de la categora que
representa.
*Diagramas de barras compuestas
Se usa para representar la informacin de una tabla de doble entrada o sea a
partir de dos variables, las cuales se representan as; la altura de la barra
representa la frecuencia simple de las modalidades o categoras de la variable
y esta altura es proporcional a la frecuencia simple de cada modalidad.
*Diagramas de barras agrupadas
Se usa para representar la informacin de una tabla de doble entrada o sea a
partir de dos variables, el cual es representado mediante un conjunto de barras
como se clasifican respecto a las diferentes modalidades.

ALFABETO GRIEGO

21

CONCLUSION DE LA UNIDAD
22

Al terminar este trabajo podemos concluir que la probabilidad es una ciencia


muy extensa y que se utiliza cotidianamente todos los das sin que nos demos
cuenta y nos ayudan a predecir eventos con la finalidad de prepararse
anticipadamente a sus resultados.
De esta unidad se concluye que la estadstica descriptiva sirve para
poblaciones grandes y que se ve aplicada en los aspectos de la vida cotidiana
como es la tasa de natalidad, la tasa de mortalidad, la poblacin de hombres y
mujeres en una ciudad, entre otros. Adems por medio de las medidas de
tendencia central la estadstica se vuelve ms fcil o ms ordenado ya que nos
facilita el proceso o el clculo de lo que se requiera. Este proceso estadstico
es el que ms se utiliza y es ms fcil de aprender.

BIBLIOGRAFIA
23

http://probabilidadyestadisticaitsav.blogspot.mx/
http://wwwljk.imag.fr/membres/Bernard.Ycart/emel/cours/mp/node
11.html
http://www.vitutor.com/pro/2/a_17.html
-Jos Mara Montero Lorenzo/Estadstica descriptiva/Thompson/2007

24

S-ar putea să vă placă și