ESTADSTICA

INFERENCIAL 1
Integrantes:

Hernndez Mndez Alicia jazmn

Gmez Hernndez Mara Elizabeth
Lpez Lpez Anayeli Berenice
Morales Garrido Adda Violeta
Pascual Escalante Luis Miguel
Rosario Ramrez Liliana Guadalupe

Estadstica inferencial
Mientras que en la estadstica descriptiva el resumen de los datos no pretende ni implica ir
mas all delos datos de que se dispone, en la estadstica inferencial el objetivo es describir la
poblacin totalidad de los elementos de inters-, con base en la informacin obtenida mediante la
observacin de relativamente pocos elementos individuales de la poblacin (muestra). A este
proceso se le llama estimacin de parmetros poblacionales.
Ejemplo 1: Una aplicacin de la estadstica inferencial puede ser una investigacin farmacutica.
Para probar un nuevo medicamento, los investigadores pueden disear experimentos con un cierto
nmero de pacientes, seleccionados al azar a fin de que la muestra sea representativa, y as reducir
(no eliminar) la incertidumbre; tratar de llegar a conclusiones y hacer inferencias acerca de la
poblacin a la que va dirigido el medicamento.
Ejemplo 2: Los investigadores de mercado utilizan estadstica inferencial para estudiar la
repercusin de la publicidad en diferentes segmentos del mercado, mediante muestras aleatorias de
dichos segmentos.

Concepto de muestreo
El muestreo es el proceso de seleccionar un conjunto de individuos de una
poblacin con el fin de estudiarlos y poder caracterizar el total de la poblacin.
La idea es bastante simple. Imagina que queremos saber algo de un universo o
poblacin, por ejemplo, qu porcentaje de los habitantes de Mxico fuma
habitualmente. Una forma de obtener este dato sera contactar con todos los
habitantes de Mxico (122 millones de personas) y preguntarles si fuman. La
otra forma sera seleccionar un subconjunto de individuos (por ejemplo, 1.000
personas), preguntarles si fuman y usar esta informacin como una
aproximacin de la informacin que busco. Pues bien, este grupo de 1.000
personas que me permiten conocer mejor cmo se comportan el total de
mexicanos es una muestra, y la forma en que los selecciono es el muestreo.

Tipos de muestreo
Inicialmente, los muestreos se dividen en dos grandes grupos:
MUESTREO NO PROBABILSTICO: No se usa el azar, sino el criterio del
investigador, es decir, l decide si la muestra es o no representativa. un
ejemplo puede ser el realizado por un mdico para investigar una
determinada enfremedad, selecciona sus pacientes.
MUESTREO PROBABILSTICO (ALEATORIO): Interviene el azar de
alguna forma. Nos vamos a centrar en este tipo de muestreo.
.
El muestreo aleatorio simple (M.A.S.) es la tcnica de muestreo en la
que todos los elementos que forman el universo y que, por lo tanto, estn
descritos en el marco muestral, tienen idntica probabilidad de ser
seleccionados para la muestra. Sera algo as como hacer un sorteo justo entre

los individuos del universo: asignamos a cada persona un boleto con un

nmero correlativo, introducimos los nmeros en una urna y empezamos a
extraer al azar boletos. Todos los individuos que tengan un nmero extrado de
la urna formaran la muestra. Obviamente, en la prctica estos mtodos
pueden automatizarse mediante el uso de ordenadores.

Dependiendo de si los individuos del universo pueden ser seleccionados ms

de una vez en la muestra, hablaremos de M.A.S. con reposicin o sin
reposicin. Si usamos reposicin, el hecho de que seleccione un individuo al
azar para mi muestra no impedira que este mismo individuo pudiese volver a
ser seleccionado en una siguiente seleccin. Sera equivalente a decir que cada
vez que extraigo un nmero al azar de mi urna, vuelvo a colocar el nmero
antes de la siguiente extraccin. Si por el contrario no usamos reposicin, un
individuo seleccionado para la muestra una vez ya no entrara nuevamente en
el sorteo.
Partimos de la siguiente expresin para el tamao de muestra en un M.A.S. sin
reposicin. La frmula relaciona el tamao de muestra necesario cuando el
universo es finito con el tamao necesario cuando el universo es infinito:

Donde n0 es el tamao de muestra necesario para un universo infinito y N es el

tamao del universo finito. Es posible demostrar que el tamao de muestra
cuando usamos reemplazo (nr) es siempre igual al tamao necesario para
universo infinito (nr=n0). Si eso sucede, podemos afirmar que

Por lo tanto, el tamao de muestra cuando no usamos reposicin siempre es

menor al necesario si usamos reposicin. Este resultado coincide con la
intuicin: si estamos empleando reposicin y por azar incluimos un individuo
ms de una vez en la misma muestra, el efecto es similar a reducir el tamao
de la muestra ya que observo menor diversidad de individuos. Del mismo
modo, si el universo es infinito, ambos mtodos coinciden, dado que la
probabilidad de seleccionar al mismo individuo dos veces en la misma muestra
tiende a ser infinitamente pequea.

Muestreo Aleatorio Simple Ejemplo: Se desea determinar la concentracin

media, en mg/cm2, de cierto producto qumico en el suelo de un determinado
cementerio de coches para saber si se ha de proceder a su limpieza antes de
que pase a las aguas subterrneas. En la siguiente figura aparece un plano de
dicho cementerio. Se ha superpuesto un enrejado con 280 reas. Tenemos la
posibilidad de medir la concentracin en 27 de dichas reas. Diseamos una
M.A.S. generando en el ordenador 27 nmeros aleatorios entre 1 y 280
Muestreo Aleatorio Estratificado
Esta tcnica, perteneciente a la familia de muestreos probabilsticos, consiste
en dividir toda la poblacin objeto de estudio en diferentes subgrupos o
estratos disjuntos, de manera que un individuo slo puede pertenecer a un
estrato. Una vez definidos los estratos, para crear la muestra se seleccionan
individuos empleando una tcnica de muestreo cualquiera a cada uno de los
estratos por separado. Si por ejemplo empleamos muestreo aleatorio simple en
cada estrato, hablaremos de muestreo aleatorio estratificado (M.A.E. en
adelante). Del mismo modo, podramos usar otras tcnicas de muestreo en
cada estrato (muestreo sistemtico, aleatorio con reposicin, etc.).
Los estratos suelen ser grupos homogneos de individuos, que a su vez son
heterogneos entre diferentes grupos. Por ejemplo, si en un estudio esperamos
encontrar un comportamiento muy diferente entre hombres y mujeres, puede
ser conveniente definir dos estratos, uno por cada sexo. Si la seleccin de estos
estratos es correcta (1) los hombres deberan comportarse de forma parecida
entre ellos, (2) las mujeres deberan comportarse de forma muy similar entre
ellas y (3) hombres y mujeres deberan mostrar comportamientos dispares
entre s.
Ejemplo: Supongamos que el suelo del cementerio tiene 4 zonas
diferenciadas. Un Muestreo Aleatorio Estratificado podra dar el siguiente
resultado: Se han dividido los 280 posibles puntos de muestreo en 4 estratos
de 70 que se corresponden con las zonas antes aludidas. En cada zona se ha
seleccionado, mediante un M.A.S., una muestra de 7 puntos.
Ejemplo: En una fbrica que consta de 600 trab ajadore s queremos
tomar una muestra de 20. Sabemos que hay 200 trabajad ores en la
seccin A, 150 en la B, 150 en la C y 100 en la D.

Muestreo Sistemtico Se aplica cuando la poblacin es bastante irregular

respecto al carcter que estamos estudiando y deseamos que en la muestra se
refleje toda esta variabilidad. Para llevarlo a la prctica se numera la poblacin
y se calcula el paso del muestreo mediante la frmula k = N/n, siendo N el
tamao de la poblacin y n el de la muestra. Se elige un individuo al azar entre
los k primeros. A partir de dicho individuo se elige un nuevo elemento cada k
unidades hasta completar la muestra.

El proceso
De forma concreta, el proceso que seguiramos en un muestreo sistemtico
sera el siguiente:
1. Elaboramos una lista ordenada de los N individuos de la poblacin, lo
que sera el marco muestral.
2. Dividimos el marco muestral en n fragmentos, donde n es el tamao de
muestra que deseamos. El tamao de estos fragmentos ser
K=N/n
donde K recibe el nombre de intervalo o coeficiente de elevacin.
3. Nmero de inicio: obtenemos un nmero aleatorio entero A, menor o igual
al intervalo. Este nmero corresponder al primer sujeto que seleccionaremos
para la muestra dentro del primer fragmento en que hemos dividido la
poblacin.
4. Seleccin de los n-1 individuos restantes: Seleccionamos los siguientes
individuos a partir del individuo seleccionado aleatoriamente, mediante una
sucesin aritmtica, seleccionando a los individuos del resto de fragmentos en
que hemos dividido la muestra que ocupan la misma posicin que el sujeto
inicial. Esto equivale a decir que seleccionaremos los individuos
A, A + K, A + 2K, A + 3K, ., A + (n-1)K

Ejemplo Supongamos que tenemos un marco muestral de 5.000 individuos y

deseamos obtener una muestra de 100 de ellos. Dividimos en primer lugar el
marco muestral en 100 fragmentos de 50 individuos. A continuacin
seleccionamos un nmero aleatorio entre 1 y 50, para extraer el primer
individuo al azar del primer fragmento: por ejemplo el 24. A partir de este
individuo, queda definida la muestra extrayendo los individuos de la lista con
intervalos de 50 unidades, tal y como sigue
24, 74, 124, 174, , 4.974
Ejemplo: Se ha ordenado la poblacin (de izquierda a derecha y de arriba a
abajo). Se ha calculado k = 5 y se ha elegido un nmero al azar entre 1 y 5 que
ha sido el 5. A partir de aqu se toma un nuevo punto de muestreo cada 5
unidades.
Ejemplo: Si tenemos una poblacin formada por 100 elementos y queremos
extraer una muestra de 25 elementos, en primer lugar debemos establecer el
intervalo de seleccin que ser igual a 100/25 = 4. A continuacin elegimos el
elemento de arranque, tomando aleatoriamente un nmero entre el 1 y el 4, y
a partir de l obtenemos los restantes elementos de la muestra.
2, 6, 10, 14,..., 98

Muestreo por Conglomerados Se divide la poblacin en conglomerados.

Un conglomerado es un subconjunto de la poblacin que, en trminos
generales, posee una variabilidad parecida a la del global de dicha poblacin
respecto al carcter que estamos estudiando (podra decirse que un
conglomerado es una copia en pequeo de la poblacin).
La metodologa a emplear es la siguiente:
Dividir la poblacin en conglomerados no excesivamente grandes. Esta
divisin se realiza habitualmente atendiendo a divisiones geogrficas,
administrativas, o de otro tipo que resulten evidentes.
Consideramos el conjunto de los conglomerados como una nueva
poblacin, procedindose a la seleccin de una serie de conglomerados
mediante un M.A.S.
Realizamos las mediciones de las variables bajo estudio en todos los
individuos de los conglomerados seleccionados.

Teorema del lmite central

El teorema central del lmite, uno de los fundamentales en estadstica, estudia
el comportamiento de la suma de variables aleatorias, cuando crece el nmero
de sumandos, asegurando su convergencia hacia una distribucin normal en
condiciones muy generales. Este teorema, del cual existen diferentes versiones
que se han ido desarrollando a lo largo de la historia, tiene una gran aplicacin
en inferencia estadstica, pues muchos parmetros de diferentes distribuciones
de probabilidad, como la media, pueden expresarse en funcin de una suma de
variables. Permite tambin aproximar muchas distribuciones de uso frecuente:
binomial, Poisson, chi cuadrado, t-student, gamma, etc., cuando sus
parmetros crecen y el clculo se hace difcil por otro lado, la suma de
variables aleatorias aparece en forma natural en muchas aplicaciones de la
ingeniera: determinacin de masa forestal, carga soportada por una
estructura, tiempo de espera de servicios, etc.
Todo ello explica por qu muchos mtodos estadsticos requieren la condicin
de normalidad para su correcta aplicacin y, en consecuencia, este teorema es
un componente importante de la formacin estadstica de los ingenieros, ya
que, por otro lado, su enseanza plantea interrogantes importantes al profesor.
El teorema se apoya y relaciona entre s con otros conceptos y procedimientos
bsicos en estadstica, como los de variable aleatoria y sus transformaciones,
distribucin muestral, convergencia, tipificacin, clculo de probabilidades,
etc., algunos de los cuales podran plantear problemas de aprendizaje.

Formula:
Si una poblacin tiene media y desviacin tpica , y tomamos muestras de
tamao n (n > 30, cualquier tamao si la poblacin es "normal"), las medias
de estas muestras siguen aproximadamente la distribucin:

Ejemplo: Las bolsas de sal envasadas por una mquina tienen = 500 g y

= 35 g. Las bolsas se empaquetaron en cajas de 100 unidades.

1.Calcular la probabilidad de que la media de los pesos de las bolsas de un
paquete sea menor que 495 g.

Bibliografa
Probabilidad y estadstica para ingeneria un enfoque moderno. Antonio
nieves, Federico C. Domnguez.
EL MUESTREO Carlos Ochoa 19 de febrero 2015
http://www.netquest.com/blog/es/muestreo-que-es-porque-funciona/
Licenciatura en Ciencias Ambientales : Muestreo Curso 2008-2009
http://matematicas.unex.es/~mota/ciencias_ambientales/tema2.pdf

Vitutor teorema del lmite central 2014

http://www.vitutor.com/estadistica/inferencia/intervalos.html