Explicar en Que Consiste La Estadística Descriptiva y Probabilística
Explicar en Que Consiste La Estadística Descriptiva y Probabilística
Explicar en Que Consiste La Estadística Descriptiva y Probabilística
Estadística descriptiva
Estadística probabilística
La teoría de la probabilidad pretende ser una herramienta para modelizar y tratar situaciones en las
que exista incertidumbre. Cuando se le aplica las técnicas estadísticas a esta teoría, y se le suma
análisis e interpretación de datos, esta proporciona una base para evaluar la fiabilidad de las
conclusiones alcanzadas y las inferencias realizadas.
El objetivo del cálculo de probabilidades es el estudio de métodos de análisis del comportamiento
de fenómenos aleatorios.
La estadística descriptiva y el calculo de probabilidades han estado ligadas desde sus orígenes,
estas presentan un paralelismo que se puede apreciar mejor en la siguiente tabla:
Estadística Probabilidades
- fi, Fi - Probabilidad
- Variable unidimensional - Variable aleatoria
- Variable bidimensional - Vectores aleatorios
- Distribución de frecuencias - Distribución de probabilidad
- Medias, momentos - Esperanza de momentos
- Independencia estadística - Independencia estocástica
- Series temporales - Procesos estocasticos
2. ¿Cómo se hace el calculo de tamaño de muestra?
Para el tamaño de muestra tomamos como supuesto importante la forma en la cual se expresa esto
es como un intervalo debido que es la que en general se busca en cualquier estimación de cualquier
parámetro poblacional existen muchas combinaciones debido a las distribuciones muéstrales y
también acerca de la información que sabemos acerca de la población que en general no
conocemos. Un caso es el siguiente:
𝜎
𝑧𝛼 ∗ ( )
√𝑛
Lo que se quiere establecer con esta expresión es la idea central mas allá de los supuestos que se
establezcan.
Como se observa las variables que determinan este intervalo de confianza depende de:
𝛼: el nivel de significancia.
𝑛: el tamaño de muestra, que se quiere conocer.
𝜎: la desviación muestral o poblacional dependiendo del caso.
1) Si deseamos una mayor confianza, tendremos que tomar valores de 𝛼 más pequeños, lo que da
lugar a mayores valores de 𝑧𝛼 y mayor longitud del intervalo, con lo que una ganancia en la
confianza supone una pérdida en la precisión de la estimación, hasta el punto de que, para conseguir
un nivel de confianza del 100 %, necesitamos un intervalo de longitud infinita
2) La varianza 𝜎 se ha considerado conocida, pero es evidente que una varianza mayor hubiera
dado lugar a un intervalo de mayor longitud, con lo que un aumento en la variabilidad de los datos
tiene como consecuencia una menor precisión en la estimación.
3) Por ultimo, parece lógico exigir en inferencia estadiś tica que, al aumentar el tamaño de la
muestra, se consiga una mejor información sobre la distribución desconocida; en el caso del
intervalo de confianza eso es evidente, pues un mayor valor de n tiene como consecuencia una
disminución de la longitud del intervalo (y, por tanto, un aumento de la precisión en la estimación).
𝜎
𝑧𝛼 ∗ ( ) ≤ 𝒅
√𝑛
Este ultima variable sirve para las estimaciones de intervalos que es la forma a la cual nosotros nos
adecuamos para tener la mayor precisión posible que en realidad es lo que se busca.
El despeje es simple:
𝜎 ∗ 𝑧𝛼 𝟐
𝑛 ≥( )
𝒅
Entonces para evitar costos en la investigación podemos asumir que cuando la desigualdad se
cumpla y determinada la información que tenemos sobre la población podemos asumir esta como
una buena forma de generar el tamaño de muestras.
Esto por supuesto no es general todo acerca de las formulas, se debe tomar en cuenta toda la
información posible acerca de la población de la cual se esta infiriendo dado que esta es la que
determina como se pueden hacer mejor las estimaciones y por supuesto el tamaño de muestra que
puede ir de 12 hasta un tamaño mas grande.
Si se utilizan los intervalos de confianza exactos, entonces el margen de error tiene en cuenta tanto
el error de muestreo y errores ajenos al muestreo. Si se utiliza un intervalo de confianza
aproximado, a continuación, el margen de error sólo puede tener error de muestreo al azar en
cuenta. No representa otras posibles fuentes de error o sesgo, como una muestra de diseño de no
representativa, preguntas mal redactadas, las personas que mienten o se niega a responder, la
exclusión de las personas que no pudieron ser contactados o miscounts y errores de cálculo.
Propiedades y aplicación
El coeficiente de variación es típicamente menor que uno u ocho. Sin embargo, en ciertas
distribuciones de probabilidad puede ser 1 o mayor que 1.
Para su mejor interpretación se expresa como porcentaje.
Depende de la desviación típica o también llamada "desviación estándar" y en mayor
medida de la media aritmética, dado que cuando ésta es 0 o muy próxima a este valor C.V.
pierde significado, ya que puede dar valores muy grandes, que no necesariamente implican
dispersión de datos.
El coeficiente de variación es común en varios campos de la probabilidad aplicada, como
teoría de renovación y teoría de colas. En estos campos la distribución exponencial es a
menudo más importante que la distribución normal. La desviación típica de una distribución
exponencial es igual a su media, por lo que su coeficiente de variación es 1. La distribución
con un C.V. menor que uno, como la distribución de Erlang se consideran de "baja
varianza", mientras que aquellas con un C.V. mayor que uno, como la distribución
hiperexponencial se consideran de "alta varianza". Algunas fórmulas en estos campos se
expresan usando el cuadrado del coeficiente de variación, abreviado como S.C.V. (por
su sigla en inglés)
Bibliografía
- UNAM, Dr. Manuel Becerra Espinoza “Estadistica descriptiva”, Mexico DC – Mexico. Pdf
- Universidad de Granada, “Estadística II” Granada – España, pdf.
- Stokes, Lynne, Tom Belin. (2006). “El margen de error y la Encuesta". Métodos de
Investigación Sección de la Asociación Americana de Estadística. p. 64.
- Moya Calderon R. Estadisticas Descriptiva. lima: San Marcos.
- Covarrubia, P. C. (2007). Probabilidad y Estadistica. Cochabanba: UMSS. Obtenido de
academia.edu