UPTAIET

TRABAJO DE
MATEMÁTICAS

Nombre：Angelo Andrade

Cédula：30.248.614

Carrera：Informática

Sección：SIF3A
 Índice

 Introducción (pág. 1)

 Muestreo y Estimación (pág. 2)

 Distribuciones en el muestreo (pág. 2)

 Características de la distribución muestral de medias (pág. 2)

 Características de la distribución de varianzas muestrales (pág. 3)

 Muestreo simple aleatorio (pág. 3)

 Características clave del muestreo aleatorio simple (pág. 3)

 El muestreo con reposición (pág. 3)

 Tabla de números aleatorios (pág. 4 )

 Distribución de la media y la proporción (pág. 4)

 Distribución Muestral de la Media (pág. 4)

 Distribución Muestral de la Proporción (pág. 5)

 Estimación puntual y por intervalos de confianza de la media y la varianza de una población (pág.
5)

 Estimación puntual (pág. 5)

 Estimación por intervalos de confianza (pág. 5)

 Problemas generales de estimación (pág. 6)

 Problemas de estimación estadística (pág. 6)

 Resolución de problemas de estimación (pág. 6)

 Prueba de Hipótesis (pág. 7)

 Procedimiento para prueba de hipótesis (pág. 7)

 Prueba de hipótesis para la media y la proporción (pág. 9)

 Prueba de Hipótesis para la Media (pág. 9)

 Prueba de Hipótesis para la Proporción (pág. 9)

 Conclusión (pág. 11)

1
 Introducción

Se introduce el muestreo, que permite seleccionar una parte representativa de una

población para extraer conclusiones sin analizar cada individuo. Se exploran distintas
técnicas como el muestreo aleatorio simple, el muestreo estratificado y el muestreo por
conglomerados, junto con el uso de tablas de números aleatorios como herramienta para
seleccionar muestras de manera objetiva. A partir de estos datos, se aplican métodos de
estimación para inferir parámetros poblacionales, distinguiendo entre estimación puntual y
estimación por intervalos de confianza.

Otro concepto central es el de las distribuciones muestrales, que permiten analizar el

comportamiento de estadísticas como la media y la proporción en múltiples muestras. Se
destacan elementos como la distribución de medias muestrales, el teorema del límite central
y el error estándar, fundamentales para hacer inferencias sobre una población. También se
estudian las distribuciones de varianzas muestrales, las cuales proporcionan información
sobre la variabilidad de las estimaciones.

En el ámbito de la prueba de hipótesis, el documento explica cómo evaluar

afirmaciones sobre una población usando evidencia muestral. Se presentan los conceptos de
hipótesis nula y alternativa, errores tipo I y II, y los procedimientos estándar para tomar
decisiones sobre la validez de una hipótesis. Además, se detalla la aplicación de pruebas de
hipótesis específicas para la media y la proporción poblacional, empleando valores críticos y
estadísticos de prueba.

2
 Muestreo y Estimación

El muestreo es el proceso de seleccionar una parte de la población para obtener

información sobre el conjunto. Existen diferentes tipos de muestreo, como el muestreo
aleatorio simple, el muestreo estratificado, el muestreo por conglomerados, entre otros.

La estimación se basa en los resultados obtenidos de la muestra y se usa para

calcular valores de parámetros de la población. Por ejemplo, se puede estimar la media de
una población a partir de la media de una muestra, o se puede estimar la proporción de
individuos con una característica específica en la población a partir de la proporción en la
muestra.

Distribuciones en el muestreo

Las distribuciones en el muestreo son distribuciones de probabilidad que se obtienen

al analizar las estadísticas (como la media, la proporción, etc.) de múltiples muestras
tomadas de una población.

Distribución de medias muéstrales: Es la distribución de probabilidad de la media de todas

las muestras posibles de un tamaño determinado extraídas de una población. Es una
herramienta fundamental en la estadística inferencial, ya que permite hacer inferencias sobre
la población a partir de la información de la muestra.

Distribución muestral: La distribución de probabilidad de un estadístico (como la media)

calculado a partir de diferentes muestras extraídas de una población.

Media muestral: La media aritmética de los valores de una muestra.

Teorema del límite central: Establece que la distribución muestral de la media (o cualquier
otro estadístico) tiende a ser normal, independientemente de la distribución de la población, a
medida que aumenta el tamaño de la muestra.

Error estándar: La desviación estándar de la distribución muestral de la media. Mide la

variabilidad de la media de las muestras.

Características de la distribución muestral de medias

Media: La media de la distribución muestral de la media es igual a la media de la población.

Desviación estándar (error estándar): La desviación estándar de la distribución muestral

de la media es menor que la desviación estándar de la población y se calcula como la
desviación estándar de la población dividida por la raíz cuadrada del tamaño de la muestra.

Forma: Para muestras grandes, la distribución muestral de la media se aproxima a una

distribución normal, incluso si la población no sigue una distribución normal.

Utilidad: La distribución muestral de medias permite estimar la media de la población con

una cierta precisión y calcular intervalos de confianza para la media poblacional.

3
Distribución de varianzas muestrales: Se refiere a la distribución de las varianzas
calculadas a partir de diferentes muestras extraídas de una población. Si se extraen múltiples
muestras de una población y se calcula la varianza de cada una, estas varianzas formarán
una distribución.

Características de la distribución de varianzas muestrales

Tipo de distribución: Dependiendo de si la población original tiene una distribución normal,

la distribución de las varianzas muestrales puede seguir una distribución de chi-cuadrada o
una distribución F.

Distribución Chi-cuadrada: Si la población es normal, la varianza muestral se distribuye

como una variable chi-cuadrada con (n-1) grados de libertad, donde n es el tamaño de la
muestra.

Distribución F: La distribución F se utiliza para comparar las varianzas de dos muestras.

Relación con la varianza poblacional: la varianza muestral es una estimación de la

varianza poblacional. La distribución de las varianzas muestrales nos proporciona
información sobre la variabilidad de estas estimaciones.

Muestreo simple aleatorio

El muestreo aleatorio simple (también llamado muestreo aleatorio puro) es una técnica
estadística en la que cada elemento de la población tiene la misma probabilidad de ser
seleccionado para formar la muestra. Es decir, la selección se realiza de forma aleatoria, sin
preferencias o sesgos por parte del investigador.

Características clave del muestreo aleatorio simple

Probabilidad igual: Todos los elementos de la población tienen la misma oportunidad de ser
incluidos en la muestra.

Aleatoriedad: La selección se realiza de manera aleatoria, utilizando métodos como sorteos

o generadores de números aleatorios.

Representatividad: La muestra resultante busca representar de forma justa y sin sesgos a

la población total.

Generalización: Permite hacer generalizaciones válidas sobre la población a partir de los

resultados obtenidos en la muestra.

El muestreo con reposición

El muestreo con reposición significa que, después de seleccionar una unidad de la

población, se devuelve a la población antes de realizar la siguiente selección. Esto permite
que la misma unidad pueda ser seleccionada más de una vez.

4
El muestreo con reposición: Cada selección es independiente de las anteriores.
La probabilidad de seleccionar una unidad en cada extracción es la misma.
El tamaño de la población permanece constante.

El muestreo sin reposición: La selección de una unidad está condicionada a que no haya
sido seleccionada en una extracción previa.
La probabilidad de seleccionar una unidad disminuye a medida que se van seleccionando
otras, el tamaño de la población se reduce con cada extracción.

Tabla de números aleatorios

Es un conjunto de cifras entre 0 y 9 cuyo orden no obedece ninguna regla de

formación, ellas se pueden leer individualmente o en grupos y en cualquier orden, en
columnas hacia abajo, columnas hacia arriba, en fila, diagonalmente, si se desea formar
números aleatorios en un determinado rango, basta con calcular la proporción, otra forma de
usarlo es sumando dos números tomados de alguna posición o multiplicarlos. Para ser
presentadas estas cifras se agrupan en números de 4 dígitos, formando bloques de 5 filas y
10 columnas facilitando de esta forma su lectura que puede iniciarse desde cualquier parte
de la tabla. Una tabla de números aleatorios es útil para seleccionar al azar los individuos de
una población conocida que deben formar parte de una muestra. Ejemplo:

 4251 5149 4751 4847 4249 4648 5047 4847 5156 8789

 4849 5051 5046 4756 4738 5350 4746 4847 4846 2346

 5692 9870 3583 8997 1533 6466 8830 7271 3809 4256

 2080 3828 7880 0586 8482 7811 6807 3309 2729 2235

 1039 3382 7600 1077 4455 8806 1822 1669 7501 8330

Distribución de la media y la proporción

Son conceptos clave en estadística que permiten entender cómo se comportan los
estadísticos calculados a partir de muestras extraídas de una población. Ambas
distribuciones tienen características importantes que ayudan a inferir parámetros
poblacionales.

Distribución Muestral de la Media

Definición: Es la distribución de probabilidad de las medias muestrales calculadas a partir de

diferentes muestras de un mismo tamaño extraídas de una población.

Media: La media de la distribución muestral de la media es igual a la media de la población.

Desviación Estándar: La desviación estándar de la distribución muestral de la media

(también llamada error estándar) es igual a la desviación estándar de la población dividida
por la raíz cuadrada del tamaño de la muestra.

5
Teorema del Límite Central (TLC): A medida que el tamaño de la muestra aumenta, la
distribución muestral de la media tiende a una distribución normal, independientemente de la
distribución original de la población.

Distribución Muestral de la Proporción

Definición: Es la distribución de probabilidad de las proporciones muestrales calculadas a

partir de diferentes muestras de un mismo tamaño extraídas de una población.

Media: La media de la distribución muestral de la proporción es igual a la proporción de la

población.

Desviación Estándar: La desviación estándar de la distribución muestral de la proporción es

igual a la raíz cuadrada de la proporción de la población multiplicada por (1-proporción)
dividida por el tamaño de la muestra.

Aproximación a la Normal: En muestras grandes (generalmente n > 30), la distribución

muestral de la proporción puede ser aproximada a una distribución norma

Estimación puntual y por intervalos de confianza de la media y la varianza de una

población

Es un valor único que se calcula a partir de los datos de una muestra, mientras que la
estimación por intervalos de confianza proporciona un rango de valores dentro del cual se
cree que está el parámetro poblacional con una determinada probabilidad.

Estimación puntual

Media poblacional: La estimación puntual de la media poblacional (μ) es la media de la

muestra (x̄ ).

Varianza poblacional: La estimación puntual de la varianza poblacional (σ²) es la varianza

de la muestra (s²).

Estimación por intervalos de confianza

Intervalo de confianza para la media: Se calcula usando la fórmula: x̄ ± z * (s/√n), donde:

x̄ : Media de la muestra
z: Valor crítico de la distribución normal (depende del nivel de confianza)
s: Desviación estándar de la muestra
n: Tamaño de la muestra.

Intervalo de confianza para la varianza: Se calcula usando la distribución chi-cuadrado. La

fórmula es: (n-1)s² / χ²(α/2, n-1) < σ² < (n-1)s² / χ²(1-α/2, n-1), donde:
s²: Varianza de la muestra
n: Tamaño de la muestra
χ²(α/2, n-1): Valor crítico de la distribución chi-cuadrado con (n-1) grados de libertad (alfa/2)
χ²(1-α/2, n-1): Valor crítico de la distribución chi-cuadrado con (n-1) grados de libertad (1-
alfa/2
6
 Problemas generales de estimación

Son dificultades comunes que surgen al intentar aproximar un valor desconocido a

partir de datos disponibles. Pueden incluir sesgos en la selección de muestras, errores de
medición, falta de respuesta y errores de muestreo, entre otros.

Problemas de estimación estadística

Sesgo de selección: Ocurre cuando la muestra utilizada para la estimación no representa

adecuadamente la población objetivo, lo que puede llevar a estimaciones inexactas.

Error de muestreo: Es la diferencia entre el valor estimado y el valor real de la población,

que puede ser causado por el tamaño de la muestra, la forma de selección o la variabilidad
de la población.

Sesgo de respuesta: Se produce cuando los individuos seleccionados no responden de

forma representativa o no responden en absoluto, afectando la validez de las estimaciones.

Sesgo de no respuesta: Ocurre cuando algunos individuos no participan en el estudio, lo

que puede introducir sesgos si los no respondedores difieren de los respondedores.

Sesgo de medición: Se refiere a errores en la medición de las variables utilizadas en la

estimación, como errores en los instrumentos o sesgos en la recopilación de datos.

Problemas en la estimación de grandes cantidades: Estos problemas se enfocan en la

estimación de cantidades grandes o que están fuera del alcance del conocimiento cotidiano.
Pueden involucrar la estimación de medidas como superficies, volúmenes, o incluso
cantidades de objetos.

Ejemplos de problemas de estimación

 Estimación de la distancia recorrida por tres corredores en una carrera de relevos.

 Estimación de la cantidad de granos en una caja de arroz.

 Estimación de la cantidad de cabello que tiene una persona.

Problemas de Fermi, que requieren hacer conjeturas informadas sobre cantidades difíciles de
calcular con la información disponible.

Resolución de problemas de estimación

 Es importante leer el problema con atención y determinar el objetivo.

 Identificar los valores conocidos y redondearlos para facilitar el cálculo.

 Determinar la incógnita que debe calcularse.

7
 En la estimación matemática, se utiliza la regla de fijarse en el dígito a la derecha del
dígito que se quiere estimar para decidir si redondear hacia arriba o abajo.

Prueba de Hipótesis

Es un proceso estadístico para determinar si la evidencia de una muestra apoya o

rechaza una afirmación sobre una población. Es decir, se utiliza para evaluar la veracidad de
una hipótesis, o suposición, sobre un parámetro de la población, utilizando datos de una
muestra.

Hipótesis: Una suposición sobre un parámetro de la población, como la media, la

proporción, o la varianza.

Prueba de hipótesis: Un procedimiento que utiliza la evidencia muestral y la teoría de

probabilidad para decidir si la hipótesis es plausible o no.

Hipótesis nula (H0): Una afirmación sobre el parámetro de la población que se quiere
probar. Por ejemplo, que la media de la población es igual a un valor específico.

Hipótesis alternativa (Ha): Una afirmación alternativa al parámetro de la población, que se

contrasta con la hipótesis nula. Por ejemplo, que la media de la población es diferente al
valor especificado.

Evidencia muestral: Los datos obtenidos de una muestra representativa de la población.

Decisión: Se decide si se rechaza o no se rechaza la hipótesis nula, basándose en la

evidencia muestral y un nivel de significancia (α) predefinido.

Error tipo I (α): rechazar la hipótesis nula cuando es verdadera.

Error tipo II (β): no rechazar la hipótesis nula cuando es falsa.

Procedimiento para prueba de hipótesis

El procedimiento para la prueba de hipótesis en estadística generalmente sigue estos

pasos: primero, formular las hipótesis nula y alternativa; segundo, elegir el nivel de
significancia; tercero, calcular el estadístico de prueba; cuarto, determinar el valor crítico o la
probabilidad; quinto, tomar una decisión (rechazar o no rechazar la hipótesis nula)
basándose en la comparación; y finalmente, elaborar una conclusión sobre la hipótesis.
Pasos detallados:

1. Formular la hipótesis nula (H0) y la hipótesis alternativa (Ha):

 La hipótesis nula (H0) es una afirmación sobre la población que se pretende probar que
es falsa. Por ejemplo, H0: μ = 100 (la media poblacional es 100).

 La hipótesis alternativa (Ha) es una afirmación que se pretende probar que es verdadera.
Por ejemplo, Ha: μ ≠ 100 (la media poblacional no es 100).

8
 Las hipótesis pueden ser de una o dos colas, dependiendo de si la hipótesis alternativa
especifica una dirección (ej., mayor o menor) o no (ej., diferente).

2. Elegir un nivel de significancia (α): el nivel de significancia (α) es la probabilidad de

rechazar la hipótesis nula cuando es verdadera. Comúnmente se utiliza α = 0.05 (5%).

3. Seleccionar un estadístico de prueba: el estadístico de prueba es una medida que se

calcula a partir de los datos de la muestra y se utiliza para evaluar la evidencia en contra de
la hipótesis nula. El estadístico de prueba apropiado depende del tipo de hipótesis que se
esté probando y de la forma en que se recolectaron los datos.

4. Calcular el estadístico de prueba y determinar el valor crítico o la probabilidad:

 Calcular el estadístico de prueba utilizando los datos de la muestra.

 Encontrar el valor crítico o la probabilidad (p-valor) asociado al estadístico de prueba,

usando tablas estadísticas o software estadístico.

 El valor crítico es el valor que define la región de rechazo de la hipótesis nula.

 El p-valor es la probabilidad de obtener un estadístico de prueba tan extremo o más

extremo que el calculado, asumiendo que la hipótesis nula es verdadera.

5. Tomar una decisión:

 Si el valor del estadístico de prueba cae en la región de rechazo (o si el p-valor es menor

que α), se rechaza la hipótesis nula.

 Si el valor del estadístico de prueba no cae en la región de rechazo (o si el p-valor es

mayor que α), no se rechaza la hipótesis nula.

6. Elaborar una conclusión:

 Se interpreta la decisión tomada en relación a la hipótesis nula y la hipótesis alternativa.

 Se proporciona una interpretación clara de los resultados y se relaciona con el contexto

del estudio.

Ejemplo: Supongamos que un investigador quiere saber si la media de la altura de los

hombres de San Cristóbal, Táchira, es diferente a 175 cm.

Hipótesis:
H0: μ = 175 cm (la media de la altura es 175 cm).
Ha: μ ≠ 175 cm (la media de la altura no es 175 cm).

Nivel de significancia: α = 0.05

Estadístico de prueba: Se utiliza la prueba t de Student, ya que la población se desconoce

y se trabaja con una muestra.
9
Cálculo y comparación:

 Se recolectan datos de una muestra de hombres en San Cristóbal, Táchira, y se calcula

el estadístico de prueba t.

 Se compara el estadístico de prueba t con el valor crítico o se calcula el p-valor.

Decisión: Si el p-valor es menor que 0.05, se rechaza la hipótesis nula.

Conclusión: Se concluye que la media de la altura de los hombres en San Cristóbal,

Táchira, es significativamente diferente a 175 cm, si se rechaza la hipótesis nula.

Prueba de hipótesis para la media y la proporción

Es un proceso para determinar si la evidencia muestral apoya una afirmación

específica sobre un parámetro poblacional, como la media o la proporción. Se utiliza para
tomar decisiones informadas basadas en datos, utilizando una hipótesis nula y una hipótesis
alternativa.

Prueba de Hipótesis para la Media

Hipótesis Nula (H0): Una declaración sobre la media poblacional que se pretende probar,
generalmente afirmando que no hay efecto o diferencia.

Hipótesis Alternativa (H1): Una declaración contraria a la hipótesis nula, que sugiere que sí
hay un efecto o diferencia.

Estadístico de Prueba: Un valor calculado a partir de los datos de la muestra que se usa
para evaluar la evidencia contra la hipótesis nula. Depende de si la varianza poblacional es
conocida (usa el estadístico Z) o desconocida (usa el estadístico t de Student).

Valor p: La probabilidad de obtener un estadístico de prueba tan extremo o más extremo que
el observado, suponiendo que la hipótesis nula es verdadera.

Decisión: Si el valor p es menor o igual al nivel de significancia (α), se rechaza la hipótesis

nula en favor de la alternativa. Si el valor p es mayor que α, no se rechaza la hipótesis nula.

Prueba de Hipótesis para la Proporción

Hipótesis Nula (H0): Una declaración sobre la proporción poblacional que se pretende
probar, generalmente afirmando que la proporción es igual a un valor específico.

Hipótesis Alternativa (H1): Una declaración contraria a la hipótesis nula, que sugiere que la
proporción es diferente de un valor específico.

Estadístico de Prueba: Calculado a partir de los datos de la muestra, utilizando la

proporción muestral y la proporción poblacional hipotética.

10
Valor p: La probabilidad de obtener una proporción muestral tan extrema o más extrema que
la observada, suponiendo que la hipótesis nula es verdadera.

Decisión: Se sigue el mismo proceso de decisión que en la prueba para la media,

comparando el valor p con el nivel de significancia (α).

11
 Conclusión

Este trabajo ofrece una exploración detallada de los principios fundamentales de la

estadística, subrayando el papel central del muestreo, la estimación y la inferencia en la
generación de conocimiento basado en datos. A lo largo del texto, se enfatiza la importancia
de seleccionar muestras representativas para obtener información confiable sobre una
población, introduciendo diversas metodologías como el muestreo aleatorio simple, el
estratificado y el por conglomerados. Además, se presentan técnicas de estimación que
permiten inferir parámetros poblacionales a partir de la muestra, estableciendo la distinción
entre estimaciones puntuales y por intervalos de confianza.

El análisis de las distribuciones muestrales proporciona una base para la comprensión

de la variabilidad de los datos, facilitando la aplicación de herramientas como el teorema del
límite central y el error estándar. Estos conceptos resultan fundamentales para hacer
inferencias sobre una población a partir de muestras y evaluar la fiabilidad de los resultados
obtenidos. A su vez, el documento introduce el estudio de las distribuciones de varianzas
muestrales, destacando su utilidad en la evaluación de la dispersión de los datos y su
relación con la varianza poblacional.

En el ámbito de la inferencia estadística, el texto aborda las pruebas de hipótesis

como un método estructurado para evaluar afirmaciones sobre una población con base en
evidencia muestral. Se explican los procedimientos estándar para formular hipótesis nulas y
alternativas, determinar niveles de significancia y evaluar la validez de una hipótesis
mediante estadísticos de prueba y valores críticos. Además, se presentan pruebas
específicas para la media y la proporción poblacional, facilitando la toma de decisiones
fundamentadas en datos objetivos.

Asimismo, el documento destaca los desafíos asociados a la estimación estadística,

incluyendo sesgos de selección, errores de muestreo y dificultades en la aproximación de
grandes cantidades. Se abordan problemas de Fermi y estrategias para mejorar la precisión
de las estimaciones, lo que permite a los investigadores minimizar las distorsiones en los
resultados. Estas consideraciones refuerzan la necesidad de aplicar metodologías rigurosas
para garantizar la validez de las conclusiones extraídas a partir de datos.

En conjunto, el contenido del documento establece una base sólida para la

comprensión y aplicación de la estadística en diversas áreas de estudio. Los conocimientos
presentados proporcionan herramientas esenciales para el análisis de datos y la toma de
decisiones informadas, lo que subraya el papel central de la estadística como disciplina en la
generación de conocimiento riguroso y en la evaluación de fenómenos cuantificables. Al
dominar estos conceptos, los investigadores y profesionales pueden desarrollar estudios más
precisos, fundamentados en datos y con un mayor grado de fiabilidad.

12