PREIMERA ACTIVIDAD

CONSULTA

ELABORADO POR: LILIANA ANDREA RESTREPO TOBAR ID:787889

PRESENTADO A: HEIDY LUCENA VILLAREAL MEDINA

CORPORACIÓN UNIVERSITARIA MINUTO DE DIOS UNIMINUTO

RECTORÍA ORINOQUIA
SEDE VILLAVICENCIO
FACULTAD DE CIENCIAS EMPRESARIALES
PROGRAMA DE CONTADURÍA PÚBLICA
ESTADISTICA INFERENCIA NRC-19835
VILLAVICENCIO, META
2022
¿Qué es la estadística inferencial?

Se llama estadística inferencial o inferencia estadística a la rama de la Estadística encargada

de hacer deducciones, es decir, inferir propiedades, conclusiones y tendencias, a partir de
una muestra del conjunto. Su papel es interpretar, hacer proyecciones y comparaciones.

La estadística inferencial emplea usualmente mecanismos que le permiten llevar a cabo

dichas deducciones, tales como pruebas de estimación puntual (o de intervalos de
confianza), pruebas de hipótesis, pruebas paramétricas (como de media, de diferencia de
medias, proporciones, etc.) y no paramétricas (como la prueba del chi-cuadrado, etc.).
También le son útiles los análisis de correlación y de regresión, las series cronológicas, el
análisis de varianza, entre otros.

Por ende, la estadística inferencial es sumamente útil en el análisis de poblaciones y

tendencias, para hacerse una idea posible de las acciones y reacciones de la misma de cara a
condiciones específicas. Esto no significa que se las pueda predecir fielmente, ni que
estemos en presencia de una ciencia exacta, pero sí de una aproximación posible al
resultado final.

Tipos de muestreo

Existen diferentes criterios de clasificación de los diferentes tipos de muestreo, aunque en

general pueden dividirse en dos grandes grupos: métodos de muestreo probabilísticos y
métodos de muestreo no probabilísticos.

1. Muestreo probabilístico
Los métodos de muestreo probabilísticos son aquellos que se basan en el principio de
equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma
probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente,
todas las posibles muestras de tamaño n tienen la misma probabilidad de ser
seleccionadas. Sólo estos métodos de muestreo probabilísticos nos aseguran la
representatividad de la muestra extraída y son, por tanto, los más recomendables.
Dentro de los métodos de muestreo probabilísticos encontramos los siguientes tipos:
1.1. Muestreo aleatorio simple:
El procedimiento empleado es el siguiente: 1) se asigna un número a cada individuo de
la población y 2) a través de algún medio mecánico (bolas dentro de una bolsa, tablas
de números aleatorios, números aleatorios generados con una calculadora u ordenador,
etc.) se eligen tantos sujetos como sea necesario para completar el tamaño de muestra
requerido. Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad
práctica cuando la población que estamos manejando es muy grande.

1.2. Muestreo aleatorio sistemático:

Este procedimiento exige, como el anterior, numerar todos los elementos de la
población, pero en lugar de extraer n números aleatorios sólo se extrae uno. Se parte de
ese número aleatorio i, que es un número elegido al azar, y los elementos que integran
la muestra son los que ocupa los lugares i, i+k, i+2k, i+3k,...,i+(n-1)k, es decir se toman
los individuos de k en k, siendo k el resultado de dividir el tamaño de la población entre
el tamaño de la muestra: k= N/n. El número i que empleamos como punto de partida
será un número al azar entre 1 y k. El riesgo este tipo de muestreo está en los casos en
que se dan periodicidades en la población ya que al elegir a los miembros de la muestra
con una periodicidad constante (k) podemos introducir una homogeneidad que no se da
en la población. Imaginemos que estamos seleccionando una muestra sobre listas de 10
individuos en los que los 5 primeros son varones y las 5 últimos mujeres, si empleamos
un muestreo aleatorio sistemático con k=10 siempre seleccionaríamos o sólo hombres o
sólo mujeres, no podría haber una representación de los dos sexos.

1.3. Muestreo aleatorio estratificado:

Trata de obviar las dificultades que presentan los anteriores ya que simplifican los
procesos y suelen reducir el error muestra para un tamaño dado de la muestra. Consiste
en considerar categorías típicas diferentes entre sí (estratos) que poseen gran
homogeneidad respecto a alguna característica (se puede estratificar, por ejemplo, según
la profesión, el municipio de residencia, el sexo, el estado civil, etc.). Lo que se
pretende con este tipo de muestreo es asegurarse de que todos los estratos de interés
 estarán representados adecuadamente en la muestra. Cada estrato funciona
independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o
el estratificado para elegir los elementos concretos que formarán parte de la muestra. En
ocasiones las dificultades que plantean son demasiado grandes, pues exige un
conocimiento detallado de la población. (Tamaño geográfico, sexos, edades.).

1.4. Muestreo aleatorio por conglomerados:

Los métodos presentados hasta ahora están pensados para seleccionar directamente los
elementos de la población, es decir, que las unidades muéstrales son los elementos de la
población.

2. Métodos de muestreo no probabilísticos

A veces, para estudios exploratorios, el muestreo probabilístico resulta excesivamente
costoso y se acude a métodos no probabilísticos, aun siendo conscientes de que no
sirven para realizar generalizaciones (estimaciones inferenciales sobre la población),
pues no se tiene certeza de que la muestra extraída sea representativa, ya que no todos
los sujetos de la población tienen la misma probabilidad de ser elegidos. En general se
seleccionan a los sujetos siguiendo determinados criterios procurando, en la medida de
lo posible, que la muestra sea representativa. En algunas circunstancias los métodos
estadísticos y epidemiológicos permiten resolver los problemas de representatividad
aun en situaciones de muestreo no probabilístico, por ejemplo, los estudios de caso-
control, donde los casos no son seleccionados aleatoriamente de la población. Entre los
métodos de muestreo no probabilísticos más utilizados en investigación encontramos:

2.1. - Muestreo por cuotas:

También denominado en ocasiones "accidental". Se asienta generalmente sobre la
base de un buen conocimiento de los estratos de la población y/o de los individuos
más "representativos" o "adecuados" para los fines de la investigación. Mantiene,
por tanto, semejanzas con el muestreo aleatorio estratificado, pero no tiene el
carácter de aleatoriedad de aquél. En este tipo de muestreo se fijan unas "cuotas"
que consisten en un número de individuos que reúnen unas determinadas
 condiciones, por ejemplo: 20 individuos de 25 a 40 años, de sexo femenino y
residentes en Gijón. Una vez determinada la cuota se eligen los primeros que se
encuentren que cumplan esas características. Este método se utiliza mucho en las
encuestas de opinión.
2.2. Muestreo intencional o de conveniencia:
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener muestras
"representativas" mediante la inclusión en la muestra de grupos supuestamente
típicos. Es muy frecuente su utilización en sondeos preelectorales de zonas que en
anteriores votaciones han marcado tendencias de voto. También puede ser que el
investigador seleccione directa e intencionadamente los individuos de la población.
El caso más frecuente de este procedimiento el utilizar como muestra los
individuos a los que se tiene fácil acceso (los profesores de universidad emplean
con mucha frecuencia a sus propios alumnos).

2.3. Bola de nieve:

Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y así
hasta conseguir una muestra suficiente. Este tipo se emplea muy frecuentemente
cuando se hacen estudios con poblaciones "marginales", delincuentes, sectas,
determinados tipos de enfermos, etc.

2.4. Muestreo Discrecional:

A criterio del investigador los elementos son elegidos sobre lo que él cree que
pueden aportar al estudio.

¿Cómo calcular el tamaño de la muestra?

El tamaño de la muestra de una encuesta es muy importante para poder realizar una
investigación de manera correcta, por lo que hay que tener en cuenta los objetivos y las
circunstancias en que se desarrolle la investigación.

Recuerda que la finalidad es que las personas completen la encuesta y te otorguen los datos
que estás buscando.
El tamaño de la muestra puede ser:
Representativa: Hace referencia a que todos los miembros de un grupo de personas tengan
las mismas oportunidades de participar en la investigación.
Adecuada: Se refiere a que el tamaño de la muestra debe de ser obtenido mediante un
análisis que permite resultados como disminuir el margen de error.

Ejemplo: Si quieres realizar una investigación dentro de una universidad que ofrece 10
carreras diferentes y cada una tiene 700 alumnos, no querrás hacer 7000 mil encuestas,
bastará con determinar el tamaño de la muestra. Sin embargo, debemos considerar el
margen de error.

Ilustración 1 Ejemplo de cómo calcular el tamaño de muestra finita

Ilustración 2 Ejemplo de cómo calcular el tamaño de muestra infinita

Que es un parámetro

La definición de parámetro puede ser un poco complicada, pues se trata de un dato

considerado como algo orientativo e imprescindible debido a que con él se llevan a cabo
evaluaciones, valoraciones e incluso conclusiones de una situación determinada. Es desde
esa referencia que se puede comprender bajo una perspectiva específica las cosas que se
están investigando. Un ejemplo de la definición de parámetro es el siguiente: “La
investigación se está llevando a cabo, sin embargo, no hay un parámetro específico que
permita esclarecer los hechos”. Con esto queda claro que, sin ese factor, no se puede
resolver ningún conflicto.

Qué es un parámetro estadístico

En el apartado anterior se habló un poco sobre lo que es un parámetro y cómo se puede

incluir esa palabra en las conversaciones habituales, ahora es momento de mencionar todo
lo relacionado al parámetro estadístico y cuál es la diferencia en el significado de parámetro
que se mencionó con anterioridad. Cuando se trata de estadística, esta referencia hace
alusión a un número que logra resumir una cantidad considerable de datos obtenidos de las
variables estadísticas calculadas. Para calcular este número, se necesita de una fórmula
aritmética, esta última se obtiene calculando los datos de la población objeto de estudio.

El objetivo imperativo de la estadística es elaborar un modelo realista, debido a esto, los

datos estadísticos se convierten en una consecuencia que no se puede evitar. Los
parámetros en matemática y en cualquiera de sus ramas son indispensables para mantener
orden en los datos que se obtienen de cada cálculo, más aún si esas referencias son el
resultado de estudios de una comunidad determinada. Tomando en cuenta esto, ese factor
además de brindar una idea generalizada de la población global, posibilita un análisis
comparativo para realizar diferentes estimaciones sobre el modelo de la realidad que se
pretende crear.

¿Qué es estadístico en Estadística?

Se tiene que “Función real medible de la muestra de una variable aleatoria” es lo que es
estadístico en Estadística. Desglosado podemos entenderlo de la siguiente manera:

o La primera premisa es que es una función real y medible: significa que es una

función matemática, real, porque da lugar a números reales, y medible porque se
puede medir.
o La segunda premisa “… de la muestra…”: significa una cantidad específica de
personas o familias, de diferentes zonas geográficas, religiones o poder adquisitivo.
o La tercera premisa “… una variable aleatoria”: quiere decir una variable difícil de
predecir es distintas circunstancias.

Margen de error y nivel de confianza

El margen de error es el porcentaje de variación aceptable que existe en los resultados de la

investigación. Es la manera de aceptar que los datos no son absolutamente exactos o
precisos.

Generalmente las encuestas se basan en información obtenida de una muestra de la

población, es lógico que pueda ocurrir un error de muestreo.

Si el 90% de los encuestados respondió que “Sí”, mientras que el 10% no contestó la
encuesta, es un margen de error, podríamos decir “bueno”, a tener un 50-50 o 45-55.
Por lo regular el margen de error puede ser controlado eligiendo una muestra aleatoria y
aumentando el tamaño de la muestra, lamentablemente el presupuesto puede llegar a ser un
limitante.

Por lo regular el margen de error puede ser controlado eligiendo una muestra aleatoria y
aumentando el tamaño de la muestra, lamentablemente el presupuesto puede llegar a ser un
limitante.

Menor margen de error requiere un tamaño de muestra más grande. El incrementar el

tamaño de la muestra aumenta el nivel de confianza. ¿Qué nivel de confianza se necesita?
Las opciones típicas son 90%, 95%, o 99%.

Varianza

La varianza es una medida de dispersión que representa la variabilidad de una serie de

datos respecto a su media. Formalmente se calcula como la suma de los residuos al
cuadrado divididos entre el total de observaciones.

También se puede calcular como la desviación típica al cuadrado. Dicho sea de paso,
entendemos como residuo a la diferencia entre el valor de una variable en un momento y el
valor medio de toda la variable.

El teorema central del límite

En el resultado anterior, veíamos que la suma de variables aleatorias normales es otra

variable aleatoria normal. Sin embargo, la normalidad de una suma de variables no se limita
solo a las variables normales. El teorema central del límite es un resultado matemático que
garantiza que, si sumamos variables cualesquiera (no necesariamente normales), la variable
suma también seguirá una distribución normal (esto siempre que se cumplan algunas
condiciones básicas).

Así, cuando un dato o resultado es la suma de contribuciones independientes, de igual

magnitud y “con un tamaño típico”, este resultado corresponderá a una distribución
Gaussiana siempre que el número de contribuciones (el número de sumandos) sea un
número considerable (no pequeño).
Con un tamaño típico se quiere garantizar que las contribuciones tienen que “estar
controladas”, esto es, las contribuciones extremas tienen que estar controladas por una
probabilidad muy pequeña (En jerga matemática las contribuciones tienen que tener
varianza finita).

Este teorema asegura, de manera esquemática, que, cuando sumamos un número grande de
variables, la variable resultante sigue una distribución normal.

Bibliografía
conceptodefinicion. (s.f.). conceptodefinicion. Obtenido de
https://conceptodefinicion.de/parametro/

López, J. F. (18 de noviembre de 2017). economipedia. Obtenido de

https://economipedia.com/definiciones/varianza.html

questionpro. (s.f.). questionpro. Obtenido de https://www.questionpro.com/es/tama

%C3%B1o-de-la-muestra.html#margen_de_error

Rio, A. Q. (04 de septiembre de 2019). bookdown. Obtenido de

https://bookdown.org/aquintela/EBE/