Depto. Matemáticas – IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José Mª Sorando, ampliando y.

Presentación del tema: "Depto. Matemáticas – IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José Mª Sorando, ampliando y."— Transcripción de la presentación:

1 Depto. Matemáticas – IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José Mª Sorando, ampliando y adaptando las diapositivas de la Editorial SM

2 Muestra y población Población: es el conjunto de todos los elementos que poseen una determinada característica. En general supondremos que la población es muy grande. Muestra: es un subconjunto de la población. Muestreo: es el proceso mediante el cual se escoge una muestra de la población. Inferencia estadística: proceso a través del cual se obtienen conclusiones sobre una población, a través de la información que proporciona una muestra. La confianza de tal extrapolación dependerá de la representatividad de la muestra. · Razones para usar muestras: economía, observación destructiva, etc. La representatividad de la muestra depende de dos cosas: a) Del mecanismo de selección: que ha de garantizar que no hay un elemento de la población con más probabilidad que otro de entrar en la muestra. Si no, sería una muestra sesgada. b) Del tamaño de la muestra: si el mecanismo de selección es correcto, cuanto más grande sea la muestra mayor será la probabilidad de que se parezca a la población.

3 Tipos de muestreo Muestreo aleatorio Muestreo no aleatorio Ejemplo. Tres empresas están investigando el nivel adquisitivo de las personas que acuden a un determinado concierto de música clásica. Para ello, cada una elige una muestra de la siguiente manera: 1.- 50 primeras personas que entren en el auditorio. 2.- 50 personas elegidas al azar de las que se ubican en la platea baja. 3.- 50 personas elegidas al azar de todas las asistentes. Ventajas y desventajas

4 Tipos de muestreo aleatorio Muestreo aleatorio simple: todos los elementos de la población tienen la misma probabilidad de ser elegidos para formar parte de la muestra. Muestreo aleatorio estratificado: la población se divide en grupos homogéneos que llamamos estratos. La proporción de cada estrato en la población se mantiene en la muestra. Cada uno de los estrato de la muestra se obtiene por muestreo aleatorio simple sobre el estrato correspondiente de la población. Población Estrato 1Estrato 2 Muestra

5 Tipos de muestreo aleatorio (II) Muestreo aleatorio sistemático: se selecciona al azar un elemento de la población y a partir de él se seleccionan de k en k los elementos siguientes. Muestreo por conglomerados y áreas: se divide la población en distintas secciones o conglomerados. Se eligen al azar unas pocas de estas secciones y se toman todos los elementos de las secciones elegidas para formar la muestra. Para dividir la población en secciones podemos usar las provincias.

6 Tipos de muestreo no aleatorio Muestras erráticas o casuales Muestras intencionadas o racionales Muestras por cuotas Muestras “bola de nieve”

7

8 Distribución en el muestreo de la media Si σ es desconocida, se aproxima con s ·√n / √(n – 1)  Apuntes Supongamos que en una población una variable aleatoria se distribuye con media μ y desviación típica σ.

9 Distribución en el muestreo de la media Se supone que la distribución de la temperatura del cuerpo humano en la población tiene una media μ = 37º y una desviación típica σ = 0,85º. Se elige una muestra de 105 personas. Se desea obtener la probabilidad de la media de la muestra sea menor que 36,9º. Se debe recordar que para una variable aleatoria continua se tiene que: p(Z  a) = p(Z < a) Al ser n = 105, consideramos que la variable aleatoria media muestral es normal. Por tanto: p( – X  36,9) =p         – X –37 0,083  36,9–37 0,083 = p( Z  – 1,20) = 1– p(Z  1,20) = 1– 0,8849 = = 0,115

10 Teorema central del límite: idea intuitiva Muchos fenómenos se pueden considerar como suma de efectos parciales independientes, pudiendo ocurrir que aunque los efectos no se ajusten a la normal, el fenómeno resultante tienda asintóticamente a la normal. Una simulación con ordenador nos puede ayudar a entender esto: 1000 lanzamientos de un dado 1000 medias de dos dados 1000 medias de 4 dados 1000 medias de 10 dados

11 Teorema central del límite ¿Qué se entiende por "cuando crece n"? Si la población de partida es normal, la distribución de las medias muestrales es normal, cualquiera que sea n. Si la distribución de partida no es normal, la distribución de las medias muestrales es normal si n  30. Ya dijimos que…

12 Teorema central del límite: visión gráfica NormalUniformeSesgada Distribución de la población de partida Distribución de las medias muestrales para n = 5 Distribución de las medias muestrales para n = 10 Distribución de las medias muestrales para n = 30

13

14 Distribución en el muestreo de una proporción

15 Distribuciones en el muestreo de una proporción Un nuevo medicamento ha curado al 85 % de los enfermos a los que se les ha aplicado. Determinar las distribuciones en el muestreo de la proporción de enfermos curados para muestras de tamaño 30, 100 y 1000 personas. En nuestro caso p = 0,85 Conviene observar cómo, a medida que el tamaño de la muestra crece, la desviación típica disminuye.