Conceptualizacin.

Dentro de la inferencia estadstica, el proceso de muestreo permite que a

partir de los resultados obtenidos al analizar una muestra, se pueda
obtener conclusiones en cuanto a una o varias de las caractersticas o
parmetros de una poblacin. Esta rea de la Estadstica, ayuda a
determinar la confiabilidad de la inferencia de que los fenmenos
observados en la muestra ocurrirn tambin en la poblacin de donde se
seleccion la muestra. Es decir, sirve para estimar la eficacia del
razonamiento inductivo con el cual se infiere que lo observado en una
parte ser equivalente a lo observado en la poblacin

Cuando el nmero de unidades que integra una poblacin es muy grande,

se puede considerar a sta como una poblacin infinita. La poblacin
finita es aquella conformada por un determinado o limitado nmero de
elementos. El investigador define la poblacin objeto de estudio en
trminos de espacio y tiempo, ya que de esta manera los resultados sern
sobre la poblacin definida en el espacio demarcado y en el tiempo
definido.

Las unidades de muestreo son conjuntos disjuntos, cuya unin conforman

la poblacin completa. Por ejemplo en un censo poblacional los hogares
conforman las unidades de muestreo, en un estudio sobre la vida til de
las llantas de un automvil, el auto ser la unidad de muestreo. Los
elementos que se miden; es decir, sobre los que se toman los datos de
las variables a medir, constituyen las unidades de observacin, que en
conjunto forman el marco de muestreo

Inferencia Estadstica
Los dos tipos de problemas que resuelven las tcnicas estadsticas
son: estimacin y contraste de hiptesis. En ambos casos se trata
de generalizar la informacin obtenida en una muestra una
poblacin. Estas tcnicas exigen que la muestra sea aleatoria. En la
prctica rara vez se dispone de muestras aleatorias, por la tanto la
situacin habitual es la que se esquematiza en la figura.

Entre la muestra con la que se trabaja y la poblacin de inters, o

poblacin diana, aparece la denominada poblacin de muestreo:
poblacin (la mayor parte de las veces no definida con precisin) de
la cual nuestra muestra es una muestra aleatoria. En consecuencia
la generalizacin est amenazada por dos posibles tipos de errores:
error aleatorio que es el que las tcnicas estadsticas permiten
cuantificar y crticamente dependiente del tamao muestral, pero
tambin de la variabilidad de la variable a estudiar y el error
sistemtico que tiene que ver con la diferencia entre la poblacin de
muestreo y la poblacin diana y que slo puede ser controlado por
el diseo del estudio.

Inferir
El proceso de estimacin conlleva a obtener un estimador que tenga
ciertas condiciones deseables para hacer inferencia sobre el modelo
de probabilidad que ha generado los datos. Entre los mtodos de
estimacin de la estadstica parametrica, se tiene: Momentos,
mnimos cuadrados y mxima verosimilitud.
En temticas
posteriores se analizar lo referente a la estimacin. En el contexto
de estimar un parmetro poblacional, un intervalo de confianza es
un rango de valores (calculado en una muestra) en el cual se
encuentra el verdadero valor del parmetro, con una probabilidad
determinada.

Act 1: Revisin de Presaberes

Contrastes de hiptesis
La prueba de hiptesis consiste en aplicar tcnicas estadsticas
que permitan aceptar o rechazar una hiptesis. Este procedimiento
se conoce como contraste de hiptesis. Las pruebas de hiptesis
utilizan un procedimiento de cinco pasos, los cuales se mencionan
a continuacin:
1.

Plantear las hiptesis nula y alternativa.

2. Determinar el nivel de significancia.

3. Estimar el valor estadstico de prueba.
4.
5.

Establecer la regla de decisin.

Tomar la decisin.

En la prueba de investigacin, o de validez de una afirmacin, se

conocen las siguientes clases de pruebas:
Pruebas para grandes muestras.
Pruebas para pequeas muestras.
Pruebas de varianza.

En las pruebas de grandes muestras se realizan para los siguientes

casos:
Pruebas de medias y de proporciones.
Pruebas de diferencias de medias y proporciones.

En las pruebas de pequeas muestras se realizan para los siguientes

casos:
Pruebas para medias y diferencias de medias.

La hiptesis nula y alternativa son entonces aseveraciones sobre la

poblacin que compiten entre s, en el siguiente sentido: la hiptesis
nula (Ho) es verdadera, o lo es la hiptesis alternativa (H1), pero no
ambas. En el caso ideal, el procedimiento de prueba de hiptesis debe
conducir a la aceptacin de Ho cuando sea verdadera y al rechazo de
H1. Desafortunadamente no siempre es posible puesto que como las
pruebas de hiptesis se basan en la informacin de la muestra, se debe
considerar la posibilidad de cometer errores. Cuando se tiene una
hiptesis esta puede ser verdadera o falsa y la decisin que se toma en
la prueba es aceptar o rechazar la hiptesis. Si la decisin que se toma
est de acuerdo con la realidad no se cometen errores, en este caso las
dos buenas decisiones son: aceptar la hiptesis nula cuando es cierta o
rechazar la hiptesis nula cuando es falsa

Introduccin al Anlisis de Varianzas.

En estadstica, el anlisis de la varianza o anlisis de varianza

(ANOVA, segn terminologa inglesa) es una coleccin de modelos
estadsticos y sus procedimientos asociados, en el cual la varianza
esta particionada en ciertos componentes debidos a diferentes
variables explicativas.
El anlisis de varianza sirve para comparar si los valores de un
conjunto de datos numricos son significativamente distintos a los
valores de otro o ms conjuntos de datos. El procedimiento para
comparar estos valores est basado en la varianza global observada
en los grupos de datos numricos a comparar. Tpicamente, el
anlisis de varianza se utiliza para asociar una probabilidad a la
conclusin de que la media de un grupo de puntuaciones es distinta
de la media de otro grupo de puntuaciones.

La Tcnica de ANOVA
El anlisis de varianza lleva a la realizacin de pruebas de
significacin estadstica, usando la denominada distribucin F. A
travs de esta tcnica se pueden comparar los efectos de una
variable cuantitativa en varios grupos, utilizando como elemento de
comparacin los promedios de estas variables en los grupos
respectivos.
La tcnica fundamental consiste en la separacin de la suma de
cuadrados (SS, 'sum of squares') en componentes relativos a los
factores contemplados en el modelo. Como ejemplo, mostramos el
modelo para un ANOVA simplificado con un tipo de factores en
diferentes niveles.