Vous êtes sur la page 1sur 12

Repblica bolivariana de Venezuela

Ministerio de poder popular para la educacin


Universidad de oriente
Ncleo Anzotegui
Estadstica para Ingenieros

5ta evaluacin

Profesor: Abraham Meneses

alumna: Mariannys Ojeda


CI: 24158351
Seccin: 1

Barcelona 13 de septiembre del 2015


Pgina
1

Introduccin
La estadstica es una ciencia formal y una herramienta que estudia el uso y los
anlisis provenientes de una muestra representativa de datos, busca explicar las
correlaciones y dependencias de un fenmeno fsico o natural, de ocurrencia en
forma aleatoria o condicional. Sin embargo, la estadstica es ms que eso, es
decir, es la herramienta fundamental que permite llevar a cabo el proceso
relacionado de la estadstica con la investigacin cientfica. Aqu se har hablara
de conceptos bsicos de la estadstica. Se har referencia sobre
el muestreo estadstico, tcnicas, niveles y tipos fundamentales de un muestreo;
se describen conceptos bsicos que explican lo que esto se refiere al igual se
aprecia cmo y qu tipo de tcnicas se pueden utilizar para poner en practica la
realizacin de una auditoria con la finalidad de obtener
una informacin determinada para lograr un objetivo especifico. Un estadstico es
una medida usada para describir alguna caracterstica de una muestra , tal como
una media aritmtica, una mediana o una desviacin estndar de una muestra. El
muestreo estadstico es un procedimiento por el que se ingresan los
valores verdaderos de una poblacin a travs de la experiencia obtenida con una
muestra. El muestreo como herramienta de la investigacin cientfica arroja
resultados que se pueden utilizar para concluir un determinado estudio X de
poblacin, al igual las tcnicas selectivas que se requieren para dicho estudio de
acuerdo a lo que se va a evaluar. El muestreo permite una reduccin considerable
de los costos materiales del estudio, una mayor rapidez en la obtencin de la
informacin y el logro de resultados con mxima calidad.

El esquema para producir una serie temporal suavizada en los Promedios Mviles
Simples las observaciones pasadas son ponderadas igualmente, el Suavizado
Exponencial asigna ponderaciones exponenciales decrecientes como la
observacin envejece. En otras palabras, a las observaciones recientes son dadas
ms ponderacin relativamente en pronsticos que las observaciones ms viejas.
En el caso de los promedios mviles, las ponderaciones asignadas a las
observaciones son las mismas En el suavizado exponencial, sin embargo, hay uno
o ms parmetros de suavizado a ser determinados y estas selecciones
determinan las ponderaciones asignadas a las observaciones. Suavizado
Exponencial Simple, doble y triple ser descrito en esta seccin.

Pgina
2

ndice
1. Introduccin2
2. Muestreo..4
3. Muestreo simple4
4. Muestreo conglomerado..5
5. Muestreo sistemtico.5
6. Suavizacin exponencial simple..5
7. Suavizacin exponencial doble.6
8. Serie de tiempo.6
9. Promedio mvil.8
10.
HiptesisIntervalo..8
11.
Una muestra grande..8
12.
Una muestra pequea..8
13.
Muestra de una varianza.9
14.
Muestra de dos varianzas..9
15.
Muestra pareada.9
16.
Prueba de bondad de ajuste9
17.
Tabla de contingencia...10
18.
Bibiografia.1
1

Pgina
3

1. Muestreo: En estadstica se conoce como muestreo a la tcnica para la


seleccin de una muestra a partir de una poblacin. Al elegir una muestra
aleatoria se espera conseguir que sus propiedades sean extrapolables a
la poblacin. Este proceso permite ahorrar recursos, y a la vez obtener
resultados parecidos a los que se alcanzaran si se realizase un estudio de toda
la poblacin. Cabe mencionar que para que el muestreo sea vlido y se pueda
realizar un estudio adecuado (que consienta no solo hacer estimaciones de la
poblacin sino estimar tambin los mrgenes de error correspondientes a
dichas estimaciones), debe cumplir ciertos requisitos. Nunca podremos estar
enteramente seguros de que el resultado sea una muestra representativa, pero
s podemos actuar de manera que esta condicin se alcance con una
probabilidad alta. En el muestreo, si el tamao de la muestra es ms pequeo
que el tamao de la poblacin, se puede extraer dos o ms muestras de la
misma poblacin. Al conjunto de muestras que se pueden obtener de la
poblacin se denomina espacio muestral. La variable que asocia a cada
muestra su probabilidad de extraccin, sigue la llamada distribucin muestral.

2. Muestreo aleatorio simple: Forman parte de este tipo de muestreo todos


aquellos mtodos para los que se puede calcular la probabilidad de extraccin
de cualquiera de las muestras posibles. Este conjunto de tcnicas de muestreo
es el ms aconsejable, aunque en ocasiones no es posible optar por l.
Tipos
a. Sin reposicin de los elementos: Cada elemento extrado se descarta para la
subsiguiente extraccin. Por ejemplo, si se extrae una muestra de una
"poblacin" de bombillas para estimar la vida media de las bombillas que la
integran, no ser posible medir ms que una vez la bombilla seleccionada.
b. Con reposicin de los elementos: Las observaciones se realizan con
remplazo de los individuos, de forma que la poblacin es idntica en todas
las extracciones. En poblaciones muy grandes, la probabilidad de repetir
una extraccin es tan pequea que el muestreo puede considerarse con
reposicin aunque, realmente, no lo sea.
c. Con reposicin mltiple: En poblaciones muy grandes, la probabilidad de
repetir una extraccin es tan pequea que el muestreo puede considerarse
con reposicin. Para realizar este tipo de muestreo, y en determinadas
Pgina
4

situaciones, es muy til la extraccin de nmeros aleatorios mediante


ordenadores, calculadoras o tablas construidas al efecto.
4
3. El muestreo por conglomerados: consiste en seleccionar aleatoriamente un

cierto nmero de conglomerados (el necesario para alcanzar el tamao


muestral establecido) y en investigar despus todos los elementos
pertenecientes a los conglomerados elegidos. Se utiliza cuando la poblacin se
encuentra dividida, de manera natural, en grupos que se supone que
contienen toda la variabilidad de la poblacin, es decir, la representan
fielmente respecto a la caracterstica a elegir, pueden seleccionarse slo
algunos de estos grupos o conglomerados para la realizacin del estudio.
Dentro de los grupos seleccionados se ubicarn las unidades elementales, por
ejemplo, las personas a encuestar, y podra aplicrsele el instrumento de
medicin a todas las unidades, es decir, los miembros del grupo, o slo se le
podra aplicar a algunos de ellos, seleccionados al azar. Este mtodo tiene la
ventaja de simplificar la recogida de informacin muestral. Cuando, dentro de
cada conglomerado seleccionado, se extraen algunos individuos para integrar
la muestra, el diseo se llama muestreo bietpico. Las ideas de estratos y
conglomerados son, en cierto sentido, opuestas. El primer mtodo funciona
mejor cuanto ms homognea es la poblacin respecto del estrato, aunque
ms diferentes son stos entre s. En el segundo, ocurre lo contrario. Los
conglomerados deben presentar toda la variabilidad, aunque deben ser muy
parecidos entre s.
4. Muestreo sistemtico: Es un tipo de muestreo aleatorio simple en el que los elementos

se seleccionan segn un patrn que se inicia con una eleccin aleatoria. Considerando una
poblacin de N elementos, si queremos extraer una muestra de tamao n, partimos de un
nmero h=N/n, llamado coeficiente de elevacin y tomamos un nmero al azar a comprendido
entre 1 y h que se denomina arranque u origen. La muestra estar formada por los elementos:
a, a+h, a+2h,....a+(n-1)h. De aqu se deduce que un elemento poblacional no podr aparecer
ms de una vez en la muestra. La muestra ser representativa de la poblacin pero introduce
algunos sesgos cuando la poblacin est ordenada en funcin de determinados criterios.
5. Suavizacin exponencial simple: El mtodo de suavizacin o suavizamiento

exponencial simple puede considerarse como una evolucin del mtodo de promedio
mvil ponderado, en ste caso se calcula el promedio de una serie de tiempo con un
mecanismo de autocorreccin que busca ajustar los pronsticos en direccin opuesta a
Pgina
5

las desviaciones del pasado mediante una correccin que se ve afectada por un
coeficiente de suavizacin. As entonces, este modelo de pronstico precisa tan slo de
tres tipos de datos: el pronstico del ltimo perodo, la demanda del ltimo perodo y el
coeficiente de suavizacin.

6. Suavizacin exponencial doble o ajustada Holt: Si se tuviera que


pronosticar un modelo con tendencia usando suavizacin exponencial simple,
el pronstico tendra una reaccin retrasada al crecimiento. Entonces, el
pronstico tendra a subestimar la demanda real. Para corregir esto se puede
estimar la pendiente y multiplicar la estimacin por el nmero de periodos
futuros que se quieren pronosticar. Una simple estimacin de la pendiente
dara la diferencia entre las demandas en dos periodos sucesivos; sin embargo,
la variacin aleatoria inherente hace que esta estimacin sea mala. Para
reducir el efecto de aleatoriedad se puede usar la diferencia entre los
promedios calculados en dos periodos sucesivos. Usando suavizacin
exponencial, la estimacin del promedio en T, es ST , de manera que la
estimacin de la pendiente en el tiempo T
BT = (ST - ST-1)
Con esta idea una vez ms, se puede usar suavizamiento exponencial para
actualizar la estimacin de la tendencia, lo que lleva al suavizamiento
exponencial doble, representado por el siguiente conjunto de ecuaciones.
ST = dT + (1- ) (ST-1 + BT-1)
BT = (ST - ST-1) + (1- ) BT-1
FT+K = ST + k BT
El pronstico para k periodos futuros consiste en la estimacin de la
pendiente ms una correccin por tendencia. Debe elegirse uno de los dos
parmetros y , para el suavizamiento exponencial doble. Los
comentarios sobre la eleccin de en el suavizamiento exponencial simple
son vlidos para ambos parmetros en este caso. Para obtener un
suavizamiento doble en el tiempo T, se necesitan los valores de ST-1 y BT-1.
Existen muchas formas de obtenerlos
7. Serie de tiempo: Por serie de tiempo nos referimos a datos estadsticos que
se recopilan, observan o registran en intervalos de tiempo regulares (diario,
Pgina
6

semanal, semestral, anual, entre otros). El trmino serie de tiempo se aplica


por ejemplo a datos registrados en forma peridica que muestran, por ejemplo,
las ventas anuales totales de almacenes, el valor trimestral total de contratos
de construccin otorgados, el valor trimestral del PIB.
1. Componentes de la serie de tiempo Supondremos que en una serie existen
cuatro tipos bsicos de variacin, los cuales sobrepuestos o actuando en
concierto, contribuyen a los cambios observados en un perodo de tiempo y
dan a la serie su aspecto errtico. Estas cuatro componentes son: Tendencia
secular, variacin estacional, variacin cclica y variacin irregular.
Supondremos, adems, que existe una relacin multiplicativa entre estas
cuatro componentes; es decir, cualquier valor de una serie es el producto de
factores que se pueden atribuir a las cuatro componentes
A). Tendencia secular: La tendencia secular o tendencia a largo plazo de una
serie es por lo comn el resultado de factores a largo plazo. En trminos
intuitivos, la tendencia de una serie de tiempo caracteriza el patrn gradual
y consistente de las variaciones de la propia serie, que se consideran
consecuencias de fuerzas persistentes que afectan el crecimiento o la
reduccin de la misma, tales como: cambios en la poblacin, en las
caractersticas demogrficas de la misma, cambios en los ingresos, en la
salud, en el nivel de educacin y tecnologa. Las tendencias a largo plazo se
ajustan a diversos esquemas. Algunas se mueven continuamente haca
arriba, otras declinan, y otras ms permanecen igual en un cierto perodo o
intervalo de tiempo.
B). Variacin estacional: El componente de la serie de tiempo que
representa la variabilidad en los datos debida a influencias de las
estaciones, se llama componente estacional. Esta variacin corresponde a
los movimientos de la serie que recurren ao tras ao en los mismos meses
(o en los mismos trimestres) del ao poco ms o menos con la misma
intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca
actividad de ventas durante los meses de otoo e invierno y tiene ventas
mximas en los de primavera y verano, mientras que los fabricantes de
equipo para la nieve y ropa de abrigo esperan un comportamiento anual
opuesto al del fabricante de albercas.
C) Variacin cclica: Con frecuencia las series de tiempo presentan
secuencias alternas de puntos abajo y arriba de la lnea de tendencia que
duran ms de un ao, esta variacin se mantiene despus de que se han
eliminado las variaciones o tendencias estacional e irregular. Un ejemplo de
este tipo de variacin son los ciclos comerciales cuyos perodos recurrentes
dependen de la prosperidad, recesin, depresin y recuperacin, las cuales
no dependen de factores como el clima o las costumbres sociales. 4.
Pgina
7

Variacin Irregular: Esta se debe a factores a corto plazo, imprevisibles y no


recurrentes que afectan a la serie de tiempo. Como este componente
explica la variabilidad aleatoria de la serie, es impredecible, es decir, no se
puede esperar predecir su impacto sobre la serie de tiempo. Existen dos
tipos de variacin irregular: a) Las variaciones que son provocadas por
acontecimientos especiales, fcilmente identificables, como las elecciones,
inundaciones, huelgas, terremotos. b) Variaciones aleatorias o por
casualidad, cuyas causas no se pueden sealar en forma exacta, pero que
tienden a equilibrarse a la larga.
8. Promedio mvil: El mtodo de pronstico mvil simple se utiliza cuando se
quiere dar ms importancia a conjuntos de datos ms recientes para obtener la
previsin. Cada punto de una media mvil de una serie temporal es la media
aritmtica de un nmero de puntos consecutivos de la serie, donde el nmero
de puntos es elegido de tal manera que los efectos estacionales y / o
irregulares sean eliminados. El pronstico de promedio mvil es ptimo para
patrones de demandas aleatorias o niveladas donde se pretende eliminar el
impacto de los elementos irregulares histricos mediante un enfoque en
perodos de demanda reciente.
9. Hiptesis-intervalo: Una vez calculado el estadstico de la muestra estamos
en capacidad de usar la teora de la Estimacin para elegir un estimador
adecuado que nos permita inferir resultados sobre la poblacin de donde
proviene la muestra. Estos estimadores pueden darse de manera puntual o por
intervalos. Y para probar estos resultados disponemos de la Prueba de
Hiptesis, lo que nos permitir aceptar o rechazar afirmaciones planteadas a
prioridad. La Estimacin y la Prueba de Hiptesis son los componentes
principales de la inferencia estadstica. La teora de la Estimacin comprende
un estudio detallado de la bsqueda de un estimador (estadstico de la
muestra, para el cual se construye su distribucin muestral), digamos ,
del parmetro poblacional . Este estimador puede darse a travs de un valor
puntual, Estimador Puntual; por el contrario, puede darse a travs de un
intervalo, llamado Intervalo de Confianza. La estadstica nos dar las
herramientas necesarias que fundamenten la potencia de este estimador
puntual o el nivel de confianza en el caso de la estimacin por intervalo.
10. Muestra grande: Son consideradas aquellas cuyo nmero de sujetos (N)
es superior a 30. Cuando ms grande sea una muestra ms significativos sern
los resultados obtenidos de ella en relacin con la poblacin.
11. Muestra pequea: Son consideradas aquellas cuyo nmero de sujetos (N)
es inferior a 30. El problema de las muestras pequeas es que debido a su

Pgina
8

escaso nmero de representantes de la poblacin a estudiar, puede ofrecer


unos datos menos representativos de dicha poblacin
12.
Muestra de una varianza: sirve para identificar a la media de las
desviaciones cuadrticas de una variable de carcter aleatorio, considerando
el valor medio de sta. La varianza de las variables aleatorias, por lo tanto,
consiste en una medida vinculada a su dispersin. Se trata de la esperanza del
cuadrado de la desviacin de esa variable considerada frente su media y se
mide en una unidad diferente. Se denomina varianza muestral cuando se
calcula la varianza de una comunidad, grupo o poblacin en base a una
muestra. La covarianza, por otra parte, es la medida de dispersin conjunta de
un par de variables. Los expertos hablan de anlisis de la varianza para
nombrar a la coleccin de modelos estadsticos y sus procedimientos asociados
en la cual la varianza aparece particionada en distintos componentes
13. Muestra de dos varianzas: para 2 varianzas las hiptesis son:
a. hiptesis nula: La relacin entre la desviacin estndar de la primera
poblacin (1) y la desviacin estndar de la segunda poblacin (2) es igual
a la relacin hipottica (K)
b. hiptesis alternativa: La relacin entre la desviacin estndar de la primera
poblacin (1) y la desviacin estndar de la segunda poblacin (2) no es
igual a la relacin hipottica (K).
14. Muestra pareada: Cuando comparamos dos poblaciones sera ideal que
las dos poblaciones sean similares en todos los aspectos menos en el factor o
tratamiento que se est estudiando. Esta muestra se dice pareada y el
tamao muestral corresponde al nmero de pares, no al nmero de individuos.
Cuando los datos son pareados, nos interesa comparar las respuestas de cada
par. Entonces, analizaremos las diferencias entre las respuestas de cada par.
La ventaja principal de los diseos pareados es que nos ayudan a reducir el
sesgo por variables cofundentes Podemos parear sujetos segn edad, sexo,
estado de salud, etc. Generalmente las variables que se eligen para parear son
variables que pueden influenciar la respuesta. Cuando comparamos los
resultados de observaciones pareadas, los efectos de estas variables de
pareamiento se cancelan. Dependiendo del problema a investigar podemos
parear sujetos segn edad o sexo o estado de salud.
15. Prueba de bondad de ajuste: La bondad de ajuste de un modelo
estadstico describe lo bien que se ajusta un conjunto de observaciones. Las
medidas de bondad en general resumen la discrepancia entre los valores
observados y los k valores esperados en el modelo de estudio. Tales medidas
se pueden emplear en el contraste de hiptesis, e.g. el test de normalidad de
losresiduos, comprobar si dos muestras se obtienen a partir de dos
distribuciones idnticas (ver test de Kolmogorov-Smirnov), o si las frecuencias
Pgina
9

siguen una distribucin especfica. La prueba de bondad de Poisson se usa


para determinar si los datos describen una distribucin de Poisson. La prueba
de bondad del ajuste de Poisson utiliza las siguientes hiptesis:

H0: los datos describen una distribucin de Poisson.


H1: los datos no describen una distribucin de Poisson.
Por ejemplo, un ingeniero de la calidad desea saber si los defectos por
televisor describen una distribucin de Poisson

16. Tabla de contingencia: La tabla de contingencia es un medio particular de


representar simultneamente dos carcteres observados en una misma
poblacin, si son discretos o continuos reagrupados en clases. Los dos
carcteres son
de

se escribirn

, el tamao de la muestra es
, las de

. Las modalidades o clases


. Se denota:

el efectivo conjunto de
los cuales

toma el valor

y
e

: es el nmero de individuos para


el valor

el efectivo marginal de
individuos para los cuales

toma el valor

el efectivo marginal de

: es el nmero de
,

: es el nmero de individuos

para los cuales


toma el valor
. Se representan estos valores en una
tabla de doble entrada, llamada tabla de
contingencia:

Pgina
10

Cada fila y cada columna corresponden a una submuestra particular. La fila


de ndice

es la distribucin en

cuales el carcter
distribucin sobre

, de los individuos para los

toma el valor

. La columna de ndice

es la

, de los individuos para los cuales el carcter

toma el valor
. Dividiendo las filas y las columnas por sus sumas,
obtenemos en cada una, distribuciones empricas formadas por frecuencias
condicionales. Para

Pgina
11

, las denotaremos:

Bibliografa

https://es.wikipedia.org/wiki/Muestreo_(estad%C3%ADstica)
http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingenieroindustrial/pron%C3%B3stico-de-ventas/suavizaci%C3%B3n-exponencialdoble/
http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.pdf
http://www.ingenieriaindustrialonline.com/herramientas-para-el-ingenieroindustrial/pron%C3%B3stico-de-ventas/promedio-m%C3%B3vil/
http://www.aulaclic.es/minitab/t_4_13.htm
http://html.rincondelvago.com/conceptos-de-estadistica.html
http://definicion.de/varianza/
http://dta.utalca.cl/estadistica/ejercicios/interpretar/Metodos/apuntes.pdf
https://es.wikipedia.org/wiki/Bondad_de_ajuste
http://support.minitab.com/es-mx/minitab/17/topic-library/basic-statisticsand-graphs/hypothesis-tests/tests-of-variances-and-rates/why-use-poissongoodness-of-fit/
http://ljk.imag.fr/membres/Bernard.Ycart/emel/cours/sd/node17.html

Pgina
12