Tema:

Trabajo Final

Facilitador/a:

Domingo Rodríguez

Participante:

Bladimir Sanchez

Matrícula:

17-0461

Fecha:

22 de Febrero 2019

Rep. Dom.
 Introducción
El desarrollo de este trabajo final, es un breve repaso de lo que son todas las
teorías y conceptos en estadística, haciendo hincapié en los que son los muestreos
probabilístico, cada uno de estos conceptos son parte de la estructura que
componen cada parte de estudio de muestras y varianzas en el ámbito estadístico,
cave resalta que la práctica y conocimientos aportados por la mayoría de estos
conceptos, dan a entender cuáles son los pasos a seguir para poder conseguir el
resultado que deseamos.

La teoría de muestreo por ejemplo es útil para determinar si la diferencias

que se puedan observar entre dos muestras son debidamente aleatoriedad de las
mismas o si por el contrario son solamente significativas.
 Conceptos Estadísticos
1. Defina los siguientes conceptos:

a) Probabilidades.

La Probabilidad es la mayor o menor posibilidad de que ocurra un

determinado suceso. En otras palabras, su noción viene de la necesidad de medir
o determinar cuantitativamente la certeza o duda de que un suceso dado ocurra o
no.

Ésta establece una relación entre el número de sucesos favorables y el

número total de sucesos posibles. Por ejemplo, lanzar un dado, y que salga el
número uno (caso favorable) está en relación a seis casos posibles (1, 2, 3, 4, 5 y
6); es decir, la probabilidad es 1/6.

La probabilidad está basada en el estudio de la combinatoria y es fundamento

necesario de la estadística, además de otras disciplinas como matemática, física u
otra ciencia. En ellas se aplica una teoría de probabilidades, la cual tiene como fin
examinar las formas y medios para obtener esas medidas de certeza, así como
encontrar los métodos de combinarlos cuando intervienen varios sucesos en un
experimento aleatorio o prueba.

b) Teorema de Bayes.

El teorema de Bayes, en la teoría de la probabilidad, es una proposición

planteada por el matemático inglés Thomas Bayes (1702-1761)1 en 1763,2 que
expresa la probabilidad condicional de un evento aleatorio A dado B en términos de
la distribución de probabilidad condicional del evento B dado A y la distribución de
probabilidad marginal de sólo A.
 En términos más generales y menos matemáticos, el teorema de Bayes es
de enorme relevancia puesto que vincula la probabilidad de A dado B con la
probabilidad de B dado A. Es decir, por ejemplo, que sabiendo la probabilidad de
tener un dolor de cabeza dado que se tiene gripe, se podría saber (si se tiene algún
dato más), la probabilidad de tener gripe si se tiene un dolor de cabeza. Muestra
este sencillo ejemplo la alta relevancia del teorema en cuestión para la ciencia en
todas sus ramas, puesto que tiene vinculación íntima con la comprensión de la
probabilidad de aspectos causales dados los efectos observados.

c) Probabilidad Discreta.

Una distribución discreta describe la probabilidad de ocurrencia de cada valor

de una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la

variable aleatoria discreta puede estar asociado con una probabilidad distinta de
cero. Por lo tanto, una distribución de probabilidad discreta suele representarse en
forma tabular.

d) Valor esperado.

La esperanza matemática de una variable aleatoria X es el número que

expresa el valor medio del fenómeno que representa dicha variable.

La esperanza matemática, también llamada valor esperado, es igual al

sumatorio de las probabilidades de que exista un suceso aleatorio, multiplicado por
el valor del suceso aleatorio. O, dicho de otra forma, el valor medio de un conjunto
de datos. Teniendo en cuenta, eso sí, que el término esperanza matemática está
acuñado por la teoría de la probabilidad. Mientras que, en matemáticas, se
denomina media matemática al valor promedio de un suceso que ha ocurrido. En
distribuciones discretas con la misma probabilidad en cada suceso la media
aritmética es igual que la esperanza matemática.

e) Distribución Binomial.

En estadística, la distribución binomial es una distribución de probabilidad

discreta que cuenta el número de éxitos en una secuencia de n ensayos de Bernoulli
independientes entre sí, con una probabilidad fija p de ocurrencia del éxito entre los
ensayos. Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es,
solo dos resultados son posibles. A uno de estos se denomina «éxito» y tiene una
probabilidad de ocurrencia p y al otro, «fracaso», con una probabilidad2 q = 1 - p.
En la distribución binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado número de
éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de
Bernoulli.

f) Teoría del Muestreo.

En la referencia estadística se conoce como muestreo a la técnica para la

selección de una muestra a partir de una población estadística.1

Al elegir una muestra aleatoria se espera conseguir que sus propiedades

sean extrapolables a la población. Este proceso permite ahorrar recursos, y a la vez
obtener resultados parecidos a los que se alcanzarían si se realizase un estudio de
toda la población. En las investigaciones llevadas por empresarios y de la medicina
se usa muestreo extensivamente en recoger información sobre poblaciones.

Cabe mencionar que para que el muestreo sea válido y se pueda realizar un
estudio adecuado (que consienta no solo hacer estimaciones de la población sino
estimar también los márgenes de error correspondientes a dichas estimaciones),
debe cumplir ciertos requisitos. Nunca podremos estar enteramente seguros de que
el resultado sea una muestra representativa, pero sí podemos actuar de manera
que esta condición se alcance con una probabilidad alta.

En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño

de la población, se puede extraer dos o más muestras de la misma población. Al
conjunto de muestras que se pueden obtener de la población se denomina espacio
muestral. La variable que asocia a cada muestra su probabilidad de extracción,
sigue la llamada distribución muestral.

g) Población Finita.

Es aquella que indica que es posible alcanzarse o sobrepasarse al contar, y

que posee o incluye un número limitado de medidas y observaciones; por ejemplo, el
número de alumnos de un centro de enseñanza.

h) Población infinita.

No se conoce el tamaño y no se tiene la posibilidad de contar o construir un

marco muestral (listado en el que encontramos las unidades elementales que
componen la población)

i) Fórmula para calcular el tamaño de una muestra cuando la población

es finita.
 j) Fórmula para calcular el tamaño de una muestra cuando la población
es infinita.

k) Muestreo aleatorio.

El muestreo aleatorio es la técnica de muestreo en la que todos los elementos

que forman el universo y que por lo tanto están descritos en el marco muestral,
tienen idéntica probabilidad de ser seleccionados para la muestra. Sería algo así
como hacer un sorteo justo entre los individuos del universo: asignamos a cada
persona un boleto con un número correlativo, introducimos los números en una urna
y empezamos a extraer al azar boletos. Todos los individuos que tengan un número
extraído de la urna formarían la muestra. Obviamente, en la práctica, estos métodos
pueden automatizarse mediante el uso de ordenadores.

l) Muestreo aleatorio estratificado.

oblaciones claramente identificables. Mediante este método de muestreo, la

selección de los elementos que van a formar parte de la muestra se realiza por
separado dentro de cada estrato, sin dejar ningún estrato sin muestrear. En la
práctica esta técnica presenta dos ventajas importantes:

Puede facilitar la implementación física del muestreo (organización de la

campaña de toma de datos, lugares a visitar, etc.)

Permite aplicar el esfuerzo de muestreo de forma “inteligente”, tomando

muestras de mayor tamaño en aquellos estratos que así lo requieran, y menos en
donde no haga falta. Por poner un ejemplo extremo, si todos los sujetos de un
estrato son clónicos, posiblemente bastaría con medir a uno de ellos para tener toda
la información necesaria. Si los sujetos de un estrato son extremadamente
heterogéneos, habrá que tomar una muestra grande para poder captar bien el efecto
de esa variabilidad.

m) Muestreo por conglomerados.

El muestreo por conglomerados es un procedimiento de muestreo

probabilístico en que los elementos de la población son seleccionados al azar en
forma natural por agrupaciones (clusters). Los elementos del muestreo se
seleccionan de la población de manera individual, uno a la vez.

Las unidades de muestreo o grupos pueden ser espaciados, tal como ocurre
naturalmente en las unidades geográficas o físicas (por ejemplo: estados,
delegaciones o distritos); en base a una organización como escuelas, grado escolar;
o servicio telefónico tales como códigos de área o el cambio de las claves de los
números de teléfono.

n) Muestreo sistemático.

Es una técnica dentro de la categoría de muestreos probabilísticos - y que

por lo tanto requiere tener un control preciso del marco muestral de individuos
seleccionables junto con la probabilidad de que sean seleccionados - consistente
en escoger un individuo inicial de forma aleatoria entre la población y, a
continuación, seleccionar para la muestra a cada enésimo individuo disponible en
el marco muestral.

El muestreo sistemático es un proceso muy simple y que sólo requiere la

elección de un individuo al azar. El resto del proceso es trivial y rápido. Los
resultados que obtenemos son representativos de la población, de forma similar al
muestreo aleatorio simple, siempre y cuando no haya algún factor intrínseco en la
forma en que los individuos están listados que haga que se reproduzcan ciertas
características poblacionales cada cierto número de individuos. Este suceso es
realmente poco frecuente.
 o) Muestreo de conveniencia.

Es una técnica comúnmente usada. Consiste en seleccionar una muestra de la

población por el hecho de que sea accesible. Es decir, los individuos empleados en
la investigación se seleccionan porque están fácilmente disponibles, no porque
hayan sido seleccionados mediante un criterio estadístico. Esta conveniencia, que
se suele traducir en una gran facilidad operativa y en bajos costes de muestreo,
tiene como consecuencia la imposibilidad de hacer afirmaciones generales con rigor
estadístico sobre la población.

p) Muestreo subjetivo.

En este caso las unidades de la muestra se eligen en función de algunas de

sus características de manera racional y no casual.

Una variante de esta técnica 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 población.

2. Un médico cirujano se especializa en cirugías estéticas. Entre sus

Pacientes, el 20% se realizan correcciones faciales, un 35% implantes
mamarios y el restante en otras cirugías correctivas. Se sabe, además, que
son de género masculino el 25% de los que se realizan correcciones faciales,
15% implantes mamarios y 40% otras cirugías correctivas. Si se selecciona un
paciente al azar, determine:

Determine la probabilidad de que sea de género masculino.

Si resulta que es de género masculino, determine la probabilidad de que se haya

realizado una cirugía de implantes mamarios.

SOLUCIÓN:
 Se definen los sucesos:

Suceso F: pacientes que se realizan cirugías faciales

Suceso M: pacientes que se realizan implantes mamarios

Suceso O: pacientes que se realizan otras cirugías correctivas

Suceso H: pacientes de género masculino.

a. La probabilidad de que sea de género masculino.

P(H) = P(F) * P(H /F) + P (M) * P(H /M) + P (O) * P(O/H)

P(H) = 0.2 * 0.25 +0.35 * 0.15 + 0.45 * 0.40 = 0.28 = 28%

b. Como el suceso condicionado ha ocurrido entonces se aplica el teorema de

bayes, luego, el valor de la probabilidad será:

P(M/H)=__________P(M) * P(H/M)__________________ =
P(F) * P(H /F) + P (M) * P(H /M) + P (O) * P(O/H)

P(M/H)=__________ 0.35 * 0.15 ___________= 0.0525 = 0.19 = 19%

0.2 * 0.25 +0.35 * 0.15 + 0.45 * 0.40 0.2825

3) Cuando el fármaco Viagra se probó clínicamente, 117 pacientes reportaron

dolor de cabeza y 617 no (de acuerdo con datos de Pfizer, Inc).Utilice esta
muestra para estimar la probabilidad de que un usuario de Viagra sufra dolor
de cabeza.

P(A) = 117
117 + 617
P(A) = 117
734
P(A) = 0.16 = 0 ≤ P (A) ≤ 1
P(A) = 0.16 X 100 %
P(A) = 16%
0% ≤ P (A) ≤ 100%

a) ¿Es infrecuente que un usuario de Viagra sufra de dolor de cabeza?

Si es infrecuente que consumidores del medicamento viagra le produce

dolor de cabeza ya que solo al 16% le ocurra

b) ¿Es la probabilidad lo bastante alta como para preocupar los usuarios

de Viagra?

No, ya que al 84% de los consumidores de viagra no le produce dolor de

cabeza

a)
4.Analiza los siguientes casos y luego realiza los procedimientos necesarios
para su solución.

Caso 1. Aplicar la distribución de probabilidad Binomial.

Supongamos que el 40% de los clientes que visitan el banco B&B usan de tarjetas
de créditos. Si elegimos 12 clientes al azar para ofrecerle tarjetas de créditos del
banco, que probabilidad hay de que exactamente 5 adquieran nuestra tarjeta de
crédito.

Datos:

N = 12

X=5

Probabilidad de éxito (P) = 0.40

Probabilidad de fracaso (Q) = 1-P = 1-0.40 =0.60

P(X=x)= n! .p x. q(𝒏 − 𝒌)
X! (n-x!)

= 12! . (0.40)5. (0.60) 7

5! (12-5!)

= 12! . 0.01024 . 0.02799

5! . 7!

= 792 x 0.01024 x 0.02799 = 0.2270

 Conclusión
El muestreo Estadístico resulta beneficioso para implementarlo en la
realización de un estudio, debido a que mediante este se pueden obtener
probabilidades bajas o altas a través de determinados beneficios que
estas técnicas ofrecen. En los diferentes tipos de muestreo existen no probabilística
en los cuales se deben establecer diferencia en el momento de realizar nuestras
investigaciones por tanto que en el no probabilística no toda la población forma parte
de la muestra y en el probabilística todos los individuos tienen probabilidad positiva
de formar parte de la muestra.

Todos estos conceptos probabilísticos nos muestran como calcular los datos
para saber el porcentaje más probables, por eso es importante saber en qué
momento utilizarlos para poder obtener lo que deseamos
 Bibliografía.
http://cuatrimestral.uapa.edu.do/pluginfile.php/946895/mod_resource/content/1/Est
ad%C3%ADstica%20II-Libro.pdf

https://www.questionpro.com/blog/es/muestreo-por-conglomerados/