1. MÉTODOS ESTATÍSTICOS
E NUMÉRICOS
UNIDADE 9
MOSTRAXE
ÍNDICE
IES Isidro Parga Pondal. Departamento de matemáticas
2. Conceptos
1. Introdución á Inferencia Estatística.
2. Poboación e mostra
3. Mostraxe probabilística. Tipos de
mostraxe
4. Teorema central do límite
5. Distribución da media mostral dunha
poboación normal.
6. Distribución da proporción
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
3. 1. Introdución á Inferencia Estatística
As tres finalidades da Estatística son:
• A descripción: ordenar, agrupar e
representar a información. Desta parte
ocúpase a Estatística Descriptiva
• A predición: anticipación dos feitos
analizando previamente a súa frecuencia.
Disto ocúpase a Probabilidade
• A análise: búsqueda de teorías que expliquen
os fenómenos observados. Nisto traballa a
Inferencia Estatística
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
4. 1. Introdución á Inferencia Estatística
A Inferencia Estatística é a rama da
Estatística mediante a cal se trata de obter
conclusións dunha poboación en estudo,
apoiándose no Cálculo de Probabilidades, a partir
da información que proporciona unha mostra
representativa da mesma.
Tamén se denomina Estatística Indutiva ou
Inferencia Indutiva.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
5. 1. Introdución á Inferencia Estatística
Estatística Descritiva Probabilidade
Século XIX
Galton, Pearson, Fisher
Inferencia
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
6. 1. Introdución á Inferencia Estatística
A unión entre o
Cálculo de
Probabilidades e a
Estatística xorde
polos problemas
teóricos e
metodolóxicos que
suscita o contraste
empírico da teoría de
Darwin.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
7. 1. Introdución á Inferencia Estatística
F. Galton , primo de
Darwin propugna un novo
enfoque estatístico na súa
obra “Natural
Inheritance” para o estudo
dos problemas da evolución
que é aceptado con
entusiasmo por W Weldon,
quen busca colaboración no
matemático K.Pearson
para a resolución de novos
problemas.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
8. 1. Introdución á Inferencia Estatística
O laboratorio de K. Pearson
convértese a principios do século
XX no centro de investigación de
análise empírica de datos. Entre
outros acode W.S. Gasset, que
propón a nova distribución t
(coñecida como t de Student).
Pearson, Galton e Weldon fundan
a revista Biométrica, que aínda
hoxe é unha das publicacións máis
prestixiosas de estatística
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
9. 1. Introdución á Inferencia Estatística
Os fundamentos da
Estatística actual débense a
R.A. Fisher (1890-1962) quen
escribe no seu libro
“Statistical Methods for
Research Workers” os
principios da Inferencia
Estatística.
En 1930 aparece a teoría
xeral sobre o contraste de
hipóteses elaborada por J.
Neyman (1894-1981) e E.S.
Pearson.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
10. 1. Introdución á Inferencia Estatística
A partir de 1950
comeza unha nova
etapa no
desenvolvemento
da Estatística co
uso das
computadoras e a
posibilidade de
tratar grandes
cantidades de
datos
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
11. 1. Introdución á Inferencia Estatística
Diferenzas entre
a Inferencia e a Probabilidade
Aínda que a Inferencia Estatística se
apoia no Cálculo de Probabilidades, os fins
de ámbalas dúas disciplinas son ben
distintos.
Vexamos uns exemplos:
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
12. 1. Introdución á Inferencia Estatística
Experimento
Tirar unha moeda
Inferencia
Teoría de Probabilidade
Analizamos se a moeda está trucada
Supón que a moeda non comprobando se o modelo experimental
está trucada e deduce que a obtido tirando a moeda un certo
número de veces concorda co modelo
probabilidade de obter cara
probabilístico
ou cruz é 1/2
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
13. 1. Introdución á Inferencia Estatística
Probabilidade:
Sabendo o contido da caixa, intentar saber
o que teño na man (probabilidade de ter
unha certa cor)
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
14. 1. Introdución á Inferencia Estatística
Inferencia:
Sabendo o contido da man, tratar de saber o que
hai na caixa (proporcións de globos de cada cor)
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
15. 1. Introdución á Inferencia Estatística
Podemos concluír que:
A Inferencia Estatística é unha ciencia indutiva, é dicir,
xeneraliza unhas propiedades observadas nun conxunto
de datos a outro conxunto maior.
O proceso indutivo é un proceso “arriscado", xa que toda
inferencia indutiva exacta é imposible.
Trátase de conseguir técnicas que midan o grao de
incerteza producida. Tal medida faise mediante o Cálculo
de Probabilidades.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
16. 1. Introdución á Inferencia Estatística
EXEMPLO:
Supoñamos que temos nun almacén 10 millóns de
sementes; sabemos que producen flores brancas ou
vermellas.
O que desexamos saber é cantos destes 10 millóns
producirán flores brancas
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
17. 1. Introdución á Inferencia Estatística
O único xeito
de dar unha
resposta
correcta a esa
pregunta é
sementar todas
as sementes e
observar
cantas saen
brancas.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
18. 1. Introdución á Inferencia Estatística
A forma normal de proceder é seleccionar unhas poucas
sementes, as plantamos e observamos o número das que
producen flores brancas e,
baseándonos nestes datos, facemos unha predición.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
19. 1. Introdución á Inferencia Estatística
Os procedementos da Inferencia
Estatística pódense clasificar en:
•procedementos de inferencia
paramétrica
•procedementos de inferencia non
paramétrica.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
20. 1. Introdución á Inferencia Estatística
A Inferencia Paramétrica supón que a
distribución de probabilidade da
poboación obxecto de estudo é coñecida,
agás os valores que toman certos
parámetros.
Neste contexto, o obxectivo é estimar,
dar intervalos de confianza ou
contrastar hipóteses sobre ditos
parámetros.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
21. 1. Introdución á Inferencia Estatística
Exemplo
No caso das sementes, podemos supoñer que
unha determinada característica (a cor da flor)
dunha poboación (10 millóns de sementes) segue
unha distribución de probabilidade cun
parámetro descoñecido (binomial con parámetro
descoñecido p: probabilidade de que a flor sexa
branca) e tomamos unha mostra. Calculamos o
valor de dita característica neste subconxunto
de elementos poboacionais para facer inferencias
sobre p.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
22. 1. Introdución á Inferencia Estatística
Poboación 10 millóns de sementes
Característica Cor da flor
Distribución de Binomial con parámetro p
probabilidades descoñecido (probabilidade de
que a flor sexa branca)
Mostra Valor da característica nesta
mostra e inferimos p
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
23. 1. Introdución á Inferencia Estatística
A Inferencia non Paramétrica trata
problemas semellantes cando se ten
unha distribución poboacional
totalmente descoñecida, sobre a cal só
se realizan suposicións moi xerais (é
simétrica, continua, etc.)
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
24. 2. Poboación e Mostra
Poboación
e
Mostra
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
25. 2. Poboación e Mostra
Poboación: Colectivo: Universo:
conxunto de elementos obxecto do
estudo.
Exemplos: Pacientes que chegan a
urxencias dun hospital nun
determinado ano, pezas producidas
por unha máquina durante un certo
período de tempo…
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
26. 2. Poboación e Mostra
Poboación
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
27. 2. Poboación e Mostra
Nota
A poboación definirase sen ambigüidade,
de forma que sempre se poida clasificar un
elemento como pertencente ou non a ela.
Se podemos analizar toda a poboación
teremos un censo, e poderanse sacar
conclusións mediante técnicas descritivas
dos datos.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
28. 2. Poboación e Mostra
Individuo: Unidade Estatística:
cada un dos elementos da
poboación.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
29. 2. Poboación e Mostra
Individuo
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
30. 2. Poboación e Mostra
Xeralmente non é doado estudar toda a
poboación por:
o custo económico que suporía
o estudo pode implicar a destrución dun
elemento (estudar a temperatura máxima
que pode soportar un cristal)
o tempo que se necesitaría.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
31. 2. Poboación e Mostra
Mostra: subconxunto extraído da poboación
cuxo estudo serve para inferir características
da poboación. Debe ser representativa e
suficiente numericamente.
Vexamos algúns exemplos no portal educativo
do Instituto Galego de Estatística
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
32. 2. Poboación e Mostra
Mostra
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
33. 2. Poboación e Mostra
A mostra debe ser o máis representativa
posible da poboación da que proceda, para que a
información que subministra poida usarse con
exito á hora de obter conclusións sobre a
poboación.
É importante que, cando existan diferenzas
coñecidas de antemán nos elementos da
poboación, a mostra as conteña tamén.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
34. 2. Poboación e Mostra
Mostraxe:
Proceso de tomar mostras
dunha poboación.
Tamaño mostral:
Número de elementos da
mostra
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
35. 2. Poboación e Mostra
Mostra nesgada:
Unha mostra non representativa da poboación
Os nesgos nos que adoitamos incorrer son :
• Nesgo de selección: algúns membros da poboación
teñen unha probabilidade máis alta que outros de estar
representados na mostra.
• Nesgo por no resposta: unha parte da poboación non
está representada porque non proporciona resposta.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
36. 2. Poboación e Mostra
Exemplo
Supoñamos que no
campus universitario
da Coruña proponse a
eliminación da
circulación de
vehículos nalgunhas
zonas. Quérese
incluír un estudo
sobre a opinión das
persoas vinculadas á
universidade.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
37. 2. Poboación e Mostra
¿Canta xente está a favor
de prohibir a entrada de
coches no campus?
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
38. 2. Poboación e Mostra
Definición da poboación
Consideraranse elementos da poboación:
Todos os estudantes matriculados durante
este curso nos tres ciclos ou nun postgrao
oficial.
Todo o persoal de administración e servizos.
Todos os profesores a tempo completo.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
39. 2. Poboación e Mostra
Podemos estudar a opinión de toda a
poboación?
• SI facemos un CENSO estudo exhaustivo de
todos os elementos da poboación.
• NON collemos unha MOSTRA estudo nun
conxunto representativo da poboación.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
40. 2. Poboación e Mostra
Nesgos que poden aparecer na mostra:
• Nesgo de selección: Por exemplo, se só preguntamos
ás persoas que veñen en bus urbano a primeira hora.
SOLUCIÓN: Deseñar a mostra cun procedemento
obxectivo que garanta a representación de todos os
individuos da poboación.
• Nesgo por non resposta. Por exemplo, se enviamos un
cuestionario, pode que non contesten os que non teñan
coche propio por sentirse pouco afectados.
SOLUCIÓN: non sempre se pode evitar, pero débese
intentar controlar (incluír preguntas tipo: tes coche
propio . . . ?
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
41. 3. Mostraxe probabilística. Tipos de mostraxe
Mostraxe
probabilística
Tipos de
mostraxe
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
42. 3. Mostraxe probabilística. Tipos de mostraxe
Un método de mostraxe é o
procedemento empregado para a
obtención da mostra.
A teoría que estuda os métodos axeitados
a cada modelo é a teoría de mostraxe
ou técnicas de mostraxe.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
43. 3. Mostraxe probabilística. Tipos de mostraxe
Unha mostraxe dise probabilística ou
aleatoria se todos os individuos da
mostra se elixen ao azar, de modo que
todos os individuos da poboación teñen, a
priori, a mesma probabilidade de ser
elixidos
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
44. 3. Mostraxe probabilística. Tipos de mostraxe
A calidade da mostra é tan importante
coma o seu tamaño. Ao substituír o
estudo da poboación polo da mostra,
cométense erros. Pero con eles xa
contamos e poden controlarse.
Se a mostra está mal elixida (non é
representativa) prodúcense erros
adicionais imprevistos e incontrolables
nesgos).
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
45. 3. Mostraxe probabilística. Tipos de mostraxe
Na mostraxe probabilística
distínguense dúas modalidades,
dependendo do procedemento
aleatorio de extracción utilizado:
• Mostraxe con substitución.
• Mostraxe sen substitución.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
46. 3. Mostraxe probabilística. Tipos de mostraxe
Cando eliximos unha mostra de tamaño n
nunha poboación, a elección de cada un
dos elementos da mostra é unha variable
aleatoria.
Temos polo tanto X1, X2,...,Xn variables
aleatorias, chamadas variables mostrais.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
47. 3. Mostraxe probabilística. Tipos de mostraxe
Tanto na mostraxe con
substitución como sen ela, as
distribucións das variables
mostrais son iguais entre si e
iguais á distribución de
probabilidade da poboación da
cal proceden.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
48. 3. Mostraxe probabilística. Tipos de mostraxe
Non obstante, na mostraxe sen
substitución as variables mostrais
non se distribúen
independentemente, cousa que
sucede cando existe substitución.
Vexamos isto cun exemplo:
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
49. 3. Mostraxe probabilística. Tipos de mostraxe
Sexa unha urna con 100 bólas, das cales :
20 están marcadas co número 1
30 co 2
50 co 3.
Extráense dúas bólas ao azar e mírase a
puntuación que teñen. Imos determinar a
distribución das variables mostrais X1 e X2
cando a mostra se extrae con e sen
substitución.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
50. 3. Mostraxe probabilística. Tipos de mostraxe
A variable poboacional:
X=Puntuación da bóla extraída
Ten como distribución de probabilidade:
P(X = 1) = 0, 20
P(X = 2) = 0, 30
P(X = 3) = 0, 50
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
52. 3. Mostraxe probabilística. Tipos de mostraxe
X2 distribúese igual a X1 e igual a X.
Ademais as variables son independentes
xa que:
P(X1 = x1 X2 = x2 ) = P(X1 = x1 ) . P(X2 = x2 )
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
54. 3. Mostraxe probabilística. Tipos de mostraxe
X2 distribúese igual a X1 e igual a X.
As variables non son independentes xa que:
P(X1 = 1 X2 = 1) = 0, 2 ⋅ 19/99 ≠
0,2 ⋅ 0, 2 = P(X1 = 1) ⋅ P(X2 = 1)
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
55. 3. Mostraxe probabilística. Tipos de mostraxe
Probabilísticos: •Aleatorio simple
Todos os individuos da poboación •Aleatorio sistemático
teñen a mesma probabilidade de simple
formar parte da mostra. •Estratificado
•Por conglomerados e
Tipos de áreas
mostraxe •Polietápico
Non aleatorio: •Intencional
•Por cotas
•Opinático
•Semialeatorio
•De xuízo
•Por bóla de neve
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
56. 3. Mostraxe probabilística. Tipos de mostraxe
Mostraxes
probabilísticos
ou aleatorios
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
57. 3. Mostraxe probabilística. Tipos de mostraxe
• Mostraxe aleatorio simple
•É o tipo de mostraxe máis simple
e no que se basean todos os
demais.
• É no que todos os individuos da
poboación teñen a mesma
probabilidade de ser escollidos.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
58. 3. Mostraxe probabilística. Tipos de mostraxe
Os individuos elixidos en
observacións anteriores a unha dada
reinsertaranse na poboación,
podendo aparecer novamente.
As variables aleatorias que
conforman a mostra poden
supoñerse independentes e
identicamente distribuídas.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
59. 3. Mostraxe probabilística. Tipos de mostraxe
A mostra aleatoria simple ten
dúas propiedades:
Inesgada: cada unidade ten a
mesma probabilidade de saír
elixida
Independencia: a selección dunha
unidade non inflúe na selección
das outras
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
60. 3. Mostraxe probabilística. Tipos de mostraxe
Algunhas das posibles formas de
obter unha mostra por este método
son:
• A utilización de táboas de
números aleatorios.
• A simulación dunha variable
discreta equiprobable.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
61. 3. Mostraxe probabilística. Tipos de mostraxe
• As táboas de números aleatorios
son recopilacións de díxitos obtidos
como resultado dalgún procedemento
físico que garante a aparición de
cada posible valor (entre 0 e 9) coa
mesma probabilidade e de xeito que
sexan independentes entre si.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
62. 3. Mostraxe probabilística. Tipos de mostraxe
Por exemplo, un histórico dos números
premiados nos sorteos da Lotería Nacional.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
63. 3. Mostraxe probabilística. Tipos de mostraxe
Procedemento:
Numéranse os elementos da poboación.
Escóllese n como o enteiro máis pequeno que
garante que o número de elementos da
poboación non sobrepasa 10n.
Cada grupo de n díxitos aleatorios dá lugar a un
elemento da poboación, sempre que o número
non exceda o tamaño da poboación. Neste
último caso, rexéitase o número obtido e
continúase ata completar o tamaño da mostra
desexado.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
64. 3. Mostraxe probabilística. Tipos de mostraxe
Actualmente é moi común que
sexan obtidas mediante un
xerador de números aleatorios.
(Exemplo de xerador en:
http://docentes.educacion.navarra.es/msadaall/
geogebra/figuras/azar_aleatorios.htm )
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
65. 3. Mostraxe probabilística. Tipos de mostraxe
Exemplo
Queremos obter unha
mostra aleatoria simple, de
tamaño 10, dos días do ano
(nun ano non bisesto).
Numeramos os días do ano
correlativamente,
comezando polo 1 de
xaneiro (número 1) e
terminando polo 31 de
decembro (número 365).
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
67. 3. Mostraxe probabilística. Tipos de mostraxe
369 =) NON.
024 =) SI. Escollemos o 24 de xaneiro
927 =) NON.
171 =) SI. Escollemos o 20 de xuño.
772 =) NON.
065 =) SI. Escollemos o 6 de marzo.
097 =) SI. Escollemos o 7 de abril.
549 =) NON.
233=) SI. Escollemos o 22 de agosto.
057 =) SI. Escollemos o 26 de febreiro.
334 =) SI. Escollemos o 30 de novembro.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
68. 3. Mostraxe probabilística. Tipos de mostraxe
730 =) NON.
081 =) SI. Escollemos o 22 de marzo.
367 =) NON.
906 =) NON.
858 =) NON.
148 =) SI. Escollemos o 28 de maio.
926 =) NON.
693 =) NON.
743 =) NON.
190 =) SI. Escollemos o 9 de xullo.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
69. 3. Mostraxe probabilística. Tipos de mostraxe
Mostraxe sistemático
• Úsase frecuentemente cando os
individuos da poboación están ordenados
en listas.
Este tipo de mostraxe é máis sinxelo e
máis rápido computacionalmente
que a mostraxe aleatoria simple.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
70. 3. Mostraxe probabilística. Tipos de mostraxe
Dende un punto de vista probabilístico,
pode ser moi adecuado se os individuos
cercanos na lista presentan valores
dependentes entre si.
O gran inconveniente é que existan
periodicidades na lista que coincidan co
salto k.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
71. 3. Mostraxe probabilística. Tipos de mostraxe
Procedemento:
Temos unha poboación de tamaño N, da que
queremos extraer unha mostra de n
individuos, a mostraxe sistemática consiste
en:
1.Achar k, a parte enteira de N/n.
2.Elixir aleatoriamente l con
equiprobabilidade no conxunto 1, 2, 3, …, k
3.Considéranse os individuos nas posicións
l , k + l , 2k + l , …, (n - 1)k + l
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
72. 3. Mostraxe probabilística. Tipos de mostraxe
Exemplo
Consideramos a poboación: “Recadación dun cine para cada día do
ano 2004 (N = 366)”.
Decidimos tomar unha mostra de 52 días, entón k=366/52=7, polo
tanto os 52 días da mostra corresponderán sempre ao mesmo día da
semana.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
73. 3. Mostraxe probabilística. Tipos de mostraxe
Así se o valor elixido ao azar
entre 1 e 7 é l = 6, a mostra
consistirá en todas as
recadacións dos sábados do
ano 2004.
Isto, obviamente producirá
un nesgo considerable nas
estimacións que se obteñan
desta mostra.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
74. 3. Mostraxe probabilística. Tipos de mostraxe
Mostraxe estratificado
Está indicado para aqueles casos nos que
temos información sobre as unidades obxecto
de estudo, de tal forma, que podemos dividir a
poboación en estratos ou grupos de individuos
entre os cales existen importantes diferenzas.
A mostraxe estratificada consiste en obter
un número de individuos (denominado afixación)
segundo unha mostraxe aleatoria simple dentro
de cada estrato
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
75. 3. Mostraxe probabilística. Tipos de mostraxe
Existen tres formas de proceder:
•Afixación simple: Tómase o mesmo
número de individuos en cada estrato.
•Afixación proporcional: Elíxese o número
de individuos en cada estrato
proporcionalmente ao tamaño do estrato
na poboación.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
76. 3. Mostraxe probabilística. Tipos de mostraxe
• Afixación óptima: Suponse que se coñece
o tamaño de cada estrato dentro da
poboación, Ni, a desviación típica da
característica obxecto de estudo en cada
estrato, i , e o custo da mostraxe de cada
unidade para cada estrato, ci .
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
77. 3. Mostraxe probabilística. Tipos de mostraxe
O número de individuos a elixir en cada
estrato é:
σi
Ni ⋅
ci
ni = K
σj
∑ Nj ⋅ c
j=1 j
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
78. 3. Mostraxe probabilística. Tipos de mostraxe
Exemplo: para saber o número de persoas que
traballan no subsector pesqueiro en Galicia, no
IGE realízase unha mostraxe aleatoria
estratificada.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
79. 3. Mostraxe probabilística. Tipos de mostraxe
Divídese o sector en:
marisqueo a flota
pesca costeira
pesca de altura,
Cada unha destas secciónanse en diferentes estratos
segundo o TRB (toneladas de rexistro bruto) dos
buques.
Desta forma resultan un total de 9 estratos.
Podes atopar máis información na páxina do IGE
(
http://www.ige.eu/estatico/pdfs/s3/metodoloxias/met_macro_pesca_20
) IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
80. 3. Mostraxe probabilística. Tipos de mostraxe
Mostraxe por conglomerado
Supón que a poboación pode dividirse en
conglomerados ou grupos que son homoxéneos entre si.
En lugar de elixir unha mostra en cada conglomerado,
elíxesen aleatoriamente algúns conglomerados e
tómanse censos ou mostras neles. Isto abarata o
procedemento de mostraxe.
Dentro de cada conglomerado, a forma de elixir
mostras pode seguir calquera outro procedemento que
se considere axeitado.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
81. 3. Mostraxe probabilística. Tipos de mostraxe
Exemplo: unha enquisa nos fogares galegos.
A enquisa divide a Galicia en seccións censais
(conglomerados), aleatoriamente obtén
mostras de seccións censais e estuda cada
un dos fogares nas seccións censais
pertencentes á mostra
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
82. 3. Mostraxe probabilística. Tipos de mostraxe
Mostraxe polietápica
A mostraxe polietápica fai referencia a
plans de mostraxe máis complexos que se
levan a cabo en varias etapas.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
83. 3. Mostraxe probabilística. Tipos de mostraxe
Exemplo:
Supoñamos que se
quere analizar a
vixencia dos equipos
informáticos nun
conxunto de
empresas dun certo
ramo.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
84. 3. Mostraxe probabilística. Tipos de mostraxe
Poderiamos facer primeiro unha
mostraxe estratificada seleccionando
empresas de acordo ao seu tamaño:
pequena
mediana
grande
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
85. 3. Mostraxe probabilística. Tipos de mostraxe
Dentro de cada estrato da mostra,
poderíase facer unha mostraxe por
conglomerados, para seleccionar só unhas
cantas empresas.
En cada empresa, mediante estratos,
seleccionaranse os equipos informáticos a
analizar :
portátiles, equipos de mesa e
multifuncións.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
86. 3. Mostraxe probabilística. Tipos de mostraxe
•Portátiles
Empresa pequena •Equipos de mesa
•Multifuncións
•Portátiles
Empresas •Equipos de mesa
Empresa mediana
dun certo •Multifuncións
ramo
. Portátiles
•Equipos de mesa
Empresa grande •Multifuncións
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
87. 3. Mostraxe probabilística. Tipos de mostraxe
Mostraxes
non aleatorios
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
88. 3. Mostraxe probabilística. Tipos de mostraxe
En ocasións, as propiedades aleatoriedade
desexables para calquera mostra
sacrifícanse co fin de gañar rapidez ou
de aforrar custo.
Nestes casos a incerteza dos resultados
nunca se poderá medir co mesmo rigor
que no caso de mostras aleatorias.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
89. 3. Mostraxe probabilística. Tipos de mostraxe
• Mostraxes non aleatorios:
•Mostrase opinática: Cada elemento elíxese
subxectivamente, por consideralo representativo
dentro da poboación.
•Mostraxe por cotas: Limita a subxectividade do
entrevistador, obrigándolle a elixir un certo número de
individuos da mostra con certa característica.
•Mostraxe semialeatoria: Nalgunha fase da mostraxe
aleatoria déixase á elección do entrevistador os
individuos que deben seleccionarse.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
90. 3. Mostraxe probabilística. Tipos de mostraxe
• Mostraxes non aleatorias:
•Mostraxe por rutas: Consiste en especificar as pautas
a seguir nun itinerario para desembocar no individuo
enquisado. Utilízase moi frecuentemente en traballo de
campo en enquisas de opinión.
•Mostraxe por bóla de neve: Consiste en lograr
identificar a algún individuo representativo, e este
levará a outro e así sucesivamente. É
unha técnica utilizada en estudos de colectivos
marxinais, seitas, etc.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
91. 4. Teorema central do límite
O teorema
central
do límite
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
92. 4. Teorema central do límite
• O teorema central do límite é un dos teoremas
fundamentais da Estatística.
• Estuda o comportamento da suma de variables
aleatorias, cando crece o número de sumandos,
asegurando a súa converxencia cara a unha
distribución normal en condicións moi xerais.
• O teorema central do límite establece o que pasa
cando temos a suma dun grande número de
variables aleatorias independentes.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
93. 4. Teorema central do límite
Este teorema ten unha gran aplicación na inferencia
estatística, xa que moitos parámetros de diferentes
distribucións de probabilidade, como a media, poden
expresarse en función dunha suma de variables.
Permite tamén aproximar moitas distribucións de uso
frecuente: binomial, Poisson, chi cuadrado, t-student,
gamma, etc., cando os seus parámetros crecen e o
cálculo faise difícil.
Vexamos un exemplo
www.terra.es/personal2/jpb00000/ttcentrallimite.htm)
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
94. 4. Teorema central do límite
Teorema Central do Límite:
Se nunha poboación con media μ e desviación
típica σ, tomamos mostras aleatorias de tamaño
n, a distribución de probabilidade da media
mostral X tende a unha normal de media μ e
desviación típica σ cando n tende a infinito;
n
é dicir:
Para n grande, distribúese aproximadamente
coma unha σ
N(μ( )
n
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
95. 4. Teorema central do límite
• Exemplo:
Supoñamos que a
temperatura de
Carballo é unha
variable aleatoria
continua con
media descoñecida μ
e desviación típica
σ = 256
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
96. 4. Teorema central do límite
Fanse 64 observacións aleatorias de temperatura.
Cal é a probabilidade de que a temperatura media observada
exceda en máis de 1,5 graos á μ ?
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
97. 4. Teorema central do límite
Exemplo: Como temos un número suficientemente
grande de observacións, podemos asumir que a
temperatura media observada, X , distribúese coma:
256
N μ, = N( μ,2)
64
X −μ
Polo tanto a variable aleatoria Z = é unha N( 0,1)
2
X − μ (μ + 1.5) - μ
P = P( Z > 0.75 ) = 1 − P( Z < 0.75 ) = 1 − 0,7734 = 0,2266
2 > 2
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
98. 4. Teorema central do límite
O obxectivo do noso estudo
é poder estender á poboación
o que obteñamos dunha
mostra.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
99. 5. Distribución da media mostral
Distribución
da
media mostral
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
100. 5. Distribución da media mostral
Supón que da poboación formada por
todos os alumnos/as do instituto, extraes
aleatoriamente unha mostra de 40
alumnos/as, e pregúntaslles pola súa
idade, atopando que a idade media obtida
é 15,8 anos .
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
101. 5. Distribución da media mostral
Pero,...
Que ocorrería, se
extraésemos outra
mostra?
Coincidirían as
medias ?
Coincidirían esas
medias coa media da
poboación?
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
102. 5. Distribución da media mostral
Parece lóxico pensar que aínda que non
teñan porqué coincidir, si deberían estar
bastante próximas.
Pero,...
canto de próximas?
dependería esta proximidade do tamaño
das mostras que eliximos?
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
103. 5. Distribución da media mostral
Para poder responder a estas cuestións é
necesario que estudemos a variabilidade
das medias obtidas das mostras que
repetidamente se extraian.
O seguinte resultado, responde
claramente ás preguntas formuladas.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
104. 6. Distribución da media mostral dunha poboación
normal
Resultado:
Supoñamos que queremos estudar unha
variable (lonxitude, peso, idade,..) nunha
poboación de tamaño N na que a media da
poboación para esa variable é μ e a súa
desviación típica é σ
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
105. 6. Distribución da media mostral dunha poboación
normal
Extraemos aleatoriamente todas as posibles mostras
de tamaño n.
Obtemos a media de cada unha destas mostras
x1 , x2 ,...., xj , e as consideramos unha distribución
de datos (a distribución mostral de medias)
•Verifícase que:
a) A media dos datos é a media da poboación μ , é dicir,
a media das medias das mostras é igual ca media da
poboación.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
106. 6. Distribución da media mostral dunha poboación normal
b) Estas medias distribúense arredor da media da
poboación, cunha desviación típica (chamada desviación
típica da media, ) igual á da poboación dividida pola raíz
de n, é dicir, a desviación da media mostral é: σ
n
c) A distribución das medias mostrais é unha
distribución de tipo "normal" sempre que a poboación de
procedencia o sexa, ou incluso se non o é, sempre que o
tamaño das mostras sexa N = 30 ou maior.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
107. 6. Distribución da media mostral dunha poboación normal
• En consecuencia, se unha poboación ten media μ e
desviación típica σ, e tomamos mostras de tamaño n
(de tamaño cando menos 30, ou calquera tamaño, se a
poboación é "normal"), as medias destas mostras seguen
aproximadamente a distribución
σ
X ≡ N μ,
n
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
108. 6. Distribución da media mostral dunha poboación normal
• Canto maior é o valor de n, mellor é a
aproximación "normal"
A desviación típica da media é o grao de variabilidade das
medias mostrais. Canto menor sexa, máis axustadas á
media da poboación serán as medias que obteñamos dunha
mostra. Da propia definición desta desviación típica
conclúese que canto maior é o tamaño da mostra, menor é
este grao de variabilidade e, polo tanto, máis similar á
media da poboación será a media obtida da mostra.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
109. 6. Distribución da media mostral dunha poboación normal
Nesta páxina podes atopar unha aplicación
interactiva que o ilustra
http://ntic.educacion.es/w3/eos/MaterialesEducati
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
110. 6. Distribución da media mostral dunha poboación normal
Exemplo
Unha compañía aérea sabe que a bagaxe dos seus
pasaxeiros ten como media 25 kg. cunha desviación típica
de 6 kg.
Un dos seus avións transporta a 50 pasaxeiros, cal é a
probabilidade de que o peso medio para estes pasaxeiros
sexa superior a 26 kg?
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
111. 6. Distribución da media mostral dunha poboación
normal
Exemplo
Se o avión non debe
cargar máis de 1300 kg
nas súas bodegas para
non superar a marxe
de seguridade, en que
tanto por cen os avións
desta compañía
superan a marxe de
seguridade?
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
112. 6. Distribución da media mostral dunha poboación
normal
O peso medio das bagaxes de dito grupo estará
na distribución mostral de medias
6
N 25, = N( 25,0,84 )
50
A probabilidade de que o peso medio para estes
pasaxeiros sexa superior a 26 kg sería:
( )
P X > 26 = P Z >
26 − 25
0,84
= P( Z > 1,18) = 0,119 ≈ 11,9%
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
113. 6. Distribución da media mostral dunha poboación
normal
Se o avión non debe cargar máis de 1300 kg nas
súas bodegas, a media do conxunto dos 50
pasaxeiros non debe superar os
1300
= 26
50
Polo tanto nun 11,9% dos casos os avións desta
compañía superan a marxe de seguridade.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
114. 7. Distribución da proporción
Distribución
da
Proporción
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
115. 7. Distribución da proporción
A distribución binomial B(n,p), permítenos
coñecer como se distribúe o número de éxitos
correspondente a un experimento realizado n
veces, e no que a probabilidade de éxito en cada
experimento é p. Dita distribución ten media e
desviación típica:
μ = n ⋅p
σ = n ⋅p⋅q
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
116. 7. Distribución da proporción
Supoñamos que X é a variable que mide o número
de éxitos. Os posibles valores de X
son: 0,1,2,...,n.
Se definimos unha nova variable,
X
Y=
n
esta tomaría os valores correspondentes ás
proporcións (en tanto por un) de éxito.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
117. 7. Distribución da proporción
X
Se por exemplo n=200, como Y= teríase:
n
X=0 , (0 éxitos ) equivale a Y=0 ( é dicir, un 0%
de éxitos)
X=1 , (1 éxito ) equivale a Y=0,005 ( 0,5% de
éxitos)
X=2 , Y=0,01 ( é dicir, 2 éxitos equivalen a un 1%
de éxitos)
....
X=n , Y=1 ( n éxitos = 100% de éxitos)
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
118. 7. Distribución da proporción
Dividindo por n, obteremos a media e a
desviación típica da variable Y que representa a
proporción de éxitos:
n ⋅p⋅q p⋅q
σ= =
n n
n ⋅p
μ= =p
n
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
119. 7. Distribución da proporción
Se np>5, nq>5, utilizando a aproximación normal á
binomial, poderemos afirmar que as proporcións
de éxito, para un experimento binomial de n
probas con probabilidade de éxito p en cada
proba, distribúense segundo:
p⋅q
N p,
n
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
120. 7. Distribución da proporción
Polo tanto, se nunha poboación, unha determinada
característica de tipo binomial (a poboación divídese
entre os que a teñen e os que non), preséntase nunha
proporción p, ao tomar mostras de tamaño n, as
proporcións p' obtidas, distribuiranse segundo
p⋅q
N p,
n
(a partir deste momento suporemos sempre que np>5,nq>5).
Esta distribución denomínase distribución
da proporción mostral
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
121. 7. Distribución da proporción
EXEMPLO:
Nunha empresa está
establecido que unha máquina
opera correctamente cando,
como máximo un 5% da súa
produción é defectuosa.
Elíxese aleatoriamente unha
mostra de 100 artigos
producidos por unha certa
máquina e 40 deles son
defectuosos.
Existe razón para pensar que a
máquina está estragada?.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
122. 7. Distribución da proporción
EXEMPLO:
As proporcións mostrais para mostras de tamaño 40
nunha máquina normal distribúense segundo
0,05 ⋅ 0,95
N 0,05; = N( 0,05;0,0218)
100
é dicir, distribúense de forma "normal" arredor do 5%
cunha desviación típica do 2,18%.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.
123. 7. Distribución da proporción
En consecuencia, a probabilidade de valores como o
rexistrado
40
= 0,4 ≈ 40%
100
resulta ser:
0,4 − 0,05
P( Y > 0,4 ) = P Z > = p( Z > 16,05 ) = 0
0,0218
e podemos asegurar "estatisticamente" que a máquina
está estragada.
IES Isidro Parga Pondal. Departamento de matemáticas: Métodos estatísticos e numéricos.