2
Cronograma de Actividades
Programa de estudio del curso - ESTADÍSTICA II
5
1. Repaso Distribución normal
0.78 0.78230
Tabla 0.79 0.78524
Distribución 0.80 0.78814
Normal 0.81 0.79103
0.82 0.79389
-1.29 0.09853
-1.28 0.10027
c. P( X ≤ Xo) = 0.10 entonces Φ ( Xo – 8500 / 250 ) = 0.10 -1.27 0.10204
Similar para P( X ≤ X1) = 0.90, entonces X1 – 8500 / 250 = 1.28, Luego X1 = $ 8.820
7
¿Cuál es la probabilidad que el precio de un galón
de gasolina este entre $8440 y $9000?
P(8440 ≤ X ≤ 9000) =
RESUMEN
P (a ≤ Z ≤ b) = Φ(b) – Φ(a)
P(z ≥ a) = 1 – P(z ≤ a)
8
2. Introducción teoría de muestreo
Paramétricas
Prueba de Hipótesis
No Paramétricas
Población
Muestra
Parámetros
µ, ², P Estadísticos
, S², p
2. Introducción teoría de muestreo
INFERENCIA ESTADÍSTICA
Proceso y resultado de extraer conclusiones
respecto a una población a partir de una o
más muestras.
obtención de la
muestra
conclusiones
P
M
11
Introducción teoría de muestreo
13
3. Introducción teoría de muestreo
¿Cuando muestrear ?
Ventajas :
14
3. Introducción teoría de muestreo
Requisitos de la Muestra
Cualquier muestra debe reunir dos condiciones para ser
representativa del UNIVERSO:
15
3. Introducción teoría de muestreo
Los elementos se
Elementos de organizan como
la población Unidades de muestreo
en la población
16
3. Introducción teoría de muestreo
17
3. Introducción teoría de muestreo
Muestreo probabilístico
Forman parte de este tipo de muestreo todos aquellos métodos
para los que puede calcularse la probabilidad de extracción de
cualquiera de las muestras posibles.
0 a 10 11 a 20 21 a 30 31 a 40 41 a 50
12345 67890 12345 67890 12345 67890 12345 67890 12345 67890
1 80336 94598 26940 36858 70297 34135 53140 33340 42050 82341
2 44104 81949 85157 47954 32979 26575 57600 40881 22222 6413
3 12550 73742 11100 12040 12860 74697 96644 89439 28707 25815
4 63606 49329 16505 34484 40219 52563 43651 77082 27207 31790
5 61196 90446 26457 47774 51924 33729 65394 59593 42582 60527
6 15474 45266 95270 79953 59367 83848 82396 10118 33211 59466
7 94557 28573 67897 54387 54622 44431 91190 42592 92927 45973
8 42481 16213 97344 38721 16868 48767 43071 12059 25701 46670
9 23523 78317 73208 89837 68935 91416 26252 29663 55522 82562
10 64493 52494 75246 33824 45862 51025 61962 79335 65337 12472
11 70549 97654 64051 88159 96119 63896 54692 82391 23287 29529
12 35963 15307 26898 89354 33351 35462 77974 50024 90103 39333
13 59808 98391 45427 26842 83609 49700 13021 24892 78565 20106
14 46058 85236 11390 92286 77281 44077 93910 83647 70617 42941
15 32179 20597 87379 25241 35567 47007 86743 17157 85394 11838
16 69234 61406 20117 45204 15956 60000 18743 92423 97118 96338
17 19565 41430 51758 75379 40419 21585 66674 36806 84962 85207
18 45155 14938 19476 67246 43667 94543 59047 90033 20826 69541
19 94864 31994 36168 10851 34888 81553 71540 35456 85014 51176
20 98086 24826 45240 28404 44999 98896 39094 73407 35441 31880
21 33185 16232 41941 50949 89435 48581 88695 41994 37548 73043
22 80951 10406 96382 70774 20151 23387 25016 25298 94624 61171
23 79752 49140 71961 28296 69861 22591 77852 20539 30387 59579
24 18633 32537 98145 46571 31010 24674 55455 61427 77938 91936
25 74029 43902 77557 32270 97790 17119 52527 58021 80814 51748
26 54178 45611 80993 37143 65335 12969 56127 19255 36040 90324
27 11664 49853 52079 84827 59381 71539 79973 33440 88461 23356
28 48324 77928 31249 64710 82295 36870 32307 57546 15020 99994
29 69074 94138 87637 91976 35584 14401 10518 21615 21848 76938
30 10997 32533 76520 13586 34673 54876 80959 39117 39292 74945
3. Introducción teoría de muestreo
5 11
4 10 19
2 18 7
1 13
16 12
9 15
3
8 6 20
14 17
n
4
12 5
18
22
3. Introducción teoría de muestreo
Desventajas:
Se aplica solo a poblaciones pequeñas y
homogéneas
23
3. Introducción teoría de muestreo
N
AI
n
K Ran A
R I
24
3. Introducción teoría de muestreo
Muestreo Sistemático
5 11
4 10 19 20
2 18 7 AI 5
1 13 4
16 12
R ((2 5) 5) ...
9 15
3 K
8 6 20
14 17
2 7 12 17
25
3. Introducción teoría de muestreo
Ventajas :
Fácil de realizar.
Bajos costos de muestreo
Útil trabajo de campo – rapidez
Desventajas :
Es inapropiado cuando los elementos
entran en un patrón secuencial.
26
3. Introducción teoría de muestreo
N
A
n
R Ran A 27
3. Introducción teoría de muestreo
5 11
4 10 19 20
2 18 7 A 5
1 13 4
16 12
R ((2 5) 5) ...
9 15
3
8 6 20
14 17
2 7 12 17
28
3. Introducción teoría de muestreo
mujeres y un 45% de
hombres, se tomaría una n
muestra que contenga
también esa misma
proporción. 5 13
12 18 1 4 6
14 11
30
3. Introducción teoría de muestreo
Muestreo Estratificado (ME)
Según la cantidad de elementos de la muestra que se han de elegir
de cada uno de los estratos, existen tres técnicas de muestreo
estratificado:
31
3. Introducción teoría de muestreo
Ventajas:
* Aumento de la precisión sobre el MAS.
* Estimaciones separadas para cada estrato.
* Bajos costos de muestreo.
Desventajas:
* Es necesario un marco para cada estrato.
32
3. Introducción teoría de muestreo
35
Muestreo Multietápico (MM)
Se tiene la participación del universo U
en subconjuntos U1, U2,..., UN.
Denominadas unidades primarias del
muestreo, UPM, Una partición significa
Es un diseño de conglomerados en dos que cumple:
etapas. Cuando la correlación •Ninguna de los UPMs es vacío
intraclásica es muy alta, es decir •Todos son disjuntos dos a dos
cuando al interior del conglomerado la •La unión de todos las UPMs
semejanza entre los elementos es muy reconstruye el universo
alta, entonces de estudiar a todos los
elementos se puede aplicar un
muestreo probabilístico. Del conjunto de UPMs se escogen
algunas con cualquier tipo de muestreo
anterior.
16 3
8
1 7 14
11 4
9 15
n
16 12 3
6
1a Etapa 1
11
10
14
19 15
n
2a Etapa 11 10 15
37
Tamaño de Muestra
38
Tamaño de Muestra
La precisión de una proporción muestral es
aproximadamente igual a uno dividido por la raíz
cuadrada del tamaño de la muestra
39
Determinación Del Tamaño
De La Muestra
Variable de Escala / cuantitativas
Parámetros:
n = muestra
-Zc +Zc e = error
Zc = nivel de confianza
Variable Cualitativa 2 = varianza poblacional
Parámetros: S2 = varianza muestral
n = muestra N = tamaño población
e = error
Zc = nivel de confianza
P(1-P) = varianza poblacional
N = tamaño población
40
Variables
cuantitativas
-Zc +Zc
N 2
n
( N 1)e
Z 2 2
n 2
2 c
2
2
e
Zc
N 2 2
NS 2
Z S
n n 2 c
( N 1)e 2
e
2
S 2
Zc 41
Variables
cualitativas
Proporción
-Zc +Zc
P(1 P) N
n
( N 1)e 2
P(1 P)
Zc2 Z P(1 P)
2
n c
2
e
N N
n Z 2
1 Ne 2
n c
2
4e
42
3. Distribucones muestrales
Distribución en el muestreo de la
Media Muestral
Es la distribución de probabilidad
de todas la medias muestrales
posibles de un tamaño de muestra
dado, seleccionadas de una
población, y la probabilidad de
ocurrencia asociada con cada
media muestral.
EJEMPLO 1:
246
Media poblacional = µ = 4 E(x) = M(x) = µ
3
E(x) = Σ X P(X) = µ
3 45
Media de medias = 4
3 46
4. Teorema del límite central
Recordar:
Z=( - µ) / σ/√n ~ N( 0, 1)
49
¿Preguntas?
50