TECNICA DE MUESTREO Es el procedimiento mediante el cual seleccionamos una muestra representativa de la poblacin objeto de estudio.

Tcnicas de muestreo estadstico Existen dos mtodos para seleccionar muestras de poblaciones: el muestreo no aleatorio o de juicio y el muestreo aleatorio (que incorpora el azar como recurso en el proceso de seleccin). Cuando este ltimo cumple con la condicin de que todos los elementos de la poblacin tienen alguna oportunidad de ser escogidos en la muestra, si la probabilidad correspondiente a cada sujeto de la poblacin es conocida de antemano, recibe el nombre de muestreo probabilstico. Una muestra seleccionada por muestreo de juicio puede basarse en la experiencia de alguien con la poblacin. Algunas veces una muestra de juicio se usa como gua o muestra tentativa para decidir cmo tomar una muestra aleatoria ms adelante. Muestreo probabilstico Forman parte de este tipo de muestreo todos aquellos mtodos para los que 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. En este caso se habla de muestras probabilsticas, pues no es en rigor correcto hablar de muestras representativas dado que, al no conocer las caractersticas de la poblacin, no es posible tener certeza de que tal caracterstica se haya conseguido.

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. Con reposicin de los elementos: Las observaciones se realizan con remplazamiento 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. 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 situaciones, es muy til la extraccin de nmeros aleatorios mediante ordenadores, calculadoras o tablas construidas al efecto. Pero no es exacto Muestreo sistemtico Se utiliza cuando el universo o poblacin es de gran tamao, o ha de extenderse en el tiempo. Primero hay que identificar las unidades y relacionarlas con el calendario (cuando proceda). Luego hay que calcular una constante, que se denomina coeficiente de elevacin K= N/n; donde N es el tamao del universo y n el tamao de la muestra. Determinar en qu fecha se producir la primera extraccin, para ello hay que elegir al azar un nmero entre 1 y K; de ah en adelante tomar uno de cada K a intervalos regulares. Ocasionalmente, es conveniente tener en cuenta la periodicidad del fenmeno. Esto quiere decir que si tenemos un determinado nmero de personas que es la poblacin (N) y queremos escoger de esa poblacin un nmero ms pequeo el cual es la muestra (n), dividimos el nmero de la poblacin por el nmero de la muestra que queremos tomar y el resultado de esta operacin ser el intervalo, entonces escogemos un nmero al azar desde uno hasta el nmero del intervalo, y a partir de este nmero escogemos los dems siguiendo el orden. Muestreo estratificado Consiste en la divisin previa de la poblacin de estudio en grupos o clases que se suponen homogneos con respecto a alguna caracterstica de las que se van a estudiar. A cada uno de estos estratos se le asignara una cuota que determinara el nmero de miembros del mismo que compondrn la muestra. Dentro de cada estrato se suele usar la tcnica de muestreo sistemtico, una de las tcnicas de seleccin ms usadas en la prctica. Es exacto Segn la cantidad de elementos de la muestra que se han de elegir de cada uno de los estratos, existen dos tcnicas de muestreo estratificado:

Asignacin proporcional: el tamao de la muestra dentro de cada estrato es proporcional al tamao del estrato dentro de la poblacin. Asignacin ptima: la muestra recoger ms individuos de aquellos estratos que tengan ms variabilidad. Para ello es necesario un conocimiento previo de la poblacin.

Por ejemplo, para un estudio de opinin, puede resultar interesante estudiar por separado las opiniones de hombres y mujeres pues se estima que, dentro de cada uno de estos grupos, puede haber cierta homogeneidad. As, si la poblacin est

compuesta de un 55% de mujeres y un 45% de hombres, se tomara una muestra que contenga tambin esos mismos porcentajes de hombres y mujeres. Para una descripcin general del muestreo estratificado y los mtodos de inferencia asociados con este procedimiento, suponemos que la poblacin est dividida en h subpoblaciones o estratos de tamaos conocidos N1, N2,..., Nh tal que las unidades en cada estrato sean homogneas respecto a la caracterstica en cuestin. La media y la varianza desconocidas para el i-simo estrato son denotadas por mi y si2, respectivamente. Muestreo por estadios mltiples Esta tcnica es la nica opcin cuando no se dispone de lista completa de la poblacin de referencia o bien cuando por medio de la tcnica de muestreo simple o estratificado se obtiene una muestra con unidades distribuidas de tal forma que resultan de difcil acceso. En el muestreo a estadios mltiples se subdivide la poblacin en varios niveles ordenados que se extraen sucesivamente por medio de un procedimiento de embudo. El muestreo se desarrolla en varias fases o extracciones sucesivas para cada nivel. Por ejemplo, si tenemos que construir una muestra de profesores de primaria en un pas determinado, stos pueden subdividirse en unidades primarias representadas por circunscripciones didcticas y unidades secundarias que seran los propios profesores. En primer lugar extraemos una muestra de las unidades primarias (para lo cual debemos tener la lista completa de estas unidades) y en segundo lugar extraemos aleatoriamente una muestra de unidades secundarias de cada una de las primarias seleccionadas en la primera extraccin. Muestreo por conglomerados 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. Homogeneidad de las poblaciones o sus subgrupos Homogneo significa, en el contexto de la estratificacin, que no hay mucha variabilidad. Los estratos funcionan mejor cuanto ms homogneos son cada uno de ellos respecto a la caracterstica a medir. Por ejemplo, si se estudia la estatura de una poblacin, es bueno distinguir entre los estratos mujeres y hombres porque se espera que, dentro de ellos, haya menos variabilidad, es decir, sean menos heterogneos. Dicho de otro modo, no hay tantas diferencias entre unas estaturas y otras dentro del estrato que en la poblacin total. Por el contrario, la heterogeneidad hace intil la divisin en estratos. Si se dan las mismas diferencias dentro del estrato que en toda la poblacin, no hay por qu usar este mtodo de muestreo. En los casos en los que existan grupos que contengan toda la variabilidad de la poblacin, lo que se construyen son conglomerados, que ahorran algo del trabajo que supondra analizar toda la poblacin. En resumen, los estratos y los conglomerados funcionan bajo principios opuestos: los primeros son mejores cuanto ms homogneo es el grupo respecto a la caracterstica a estudiar y los conglomerados, si representan fielmente a la poblacin, esto es, contienen toda su variabilidad, o sea, son heterogneos. Muestreo no probabilstico Es aqul para el que no puede calcularse la probabilidad de extraccin de una determinada muestra. Se busca seleccionar a individuos que se juzga de antemano tienen un conocimiento profundo del tema bajo estudio, por lo tanto, se considera que la informacin aportada por esas personas es vital para la toma de decisiones. Muestreo por cuotas Es la tcnica ms difundida sobre todo en estudios de mercado y sondeos de opinin. En primer lugar es necesario dividir la poblacin de referencia en varios estratos definidos por algunas variables de distribucin conocida (como el gnero o la edad). Posteriormente se calcula el peso proporcional de cada estrato, es decir, la parte proporcional de poblacin que representan. Finalmente se multiplica cada peso por el tamao de n de la muestra para determinar la cuota precisa en cada estrato. Se diferencia del muestreo estratificado en que una vez determinada la cuota, el investigador es libre de elegir a los sujetos de la muestra dentro de cada estrato.

Muestreo de bola de nieve Indicado para estudios de poblaciones clandestinas, minoritarias o muy dispersas pero en contacto entre s. Consiste en identificar sujetos que se incluirn en la muestra a partir de los propios entrevistados. Partiendo de una pequea cantidad de individuos que cumplen los requisitos necesarios estos sirven como localizadores de otros con caractersticas anlogas. Muestreo subjetivo por decisin razonada En este caso las unidades de la muestra se eligen en funcin de algunas de sus caractersticas de manera racional y no casual. Una variante de esta tcnica es el muestreo compensado o equilibrado, en el que se seleccionan las unidades de tal forma que la media de la muestra para determinadas variables se acerque a la media de la poblacin. La cual funciona en base a referencias o por recomendacin

Variaciones
Se llama variaciones ordinarias de m elementos tomados de n en n (m n) a los distintos grupos formados por n elementos de forma que: No entran todos los elementos. S importa el orden. No se repiten los elementos.

Tambin podemos calcular las variaciones mediante factoriales:

Las variaciones se denotan por

Variaciones con repeticin

Se llama variaciones con repeticin de m elementos tomados de n en n a los distintos grupos formados por n elementos de manera que:

No entran todos los elementos si m > n. S pueden entrar todos los elementos si m n S importa el orden. S se repiten los elementos.

Permutaciones
S entran todos los elementos. S importa el orden. No se repiten los elementos.

Permutaciones circulares
Se utilizan cuando los elementos se han de ordenar "en crculo", (por ejemplo, los comensales en una mesa), de modo que el primer elemento que "se site" en la muestra determina el principio y el final de muestra.

Permutaciones con repeticin

Permutaciones con repeticin de m elementos donde el primer elemento se repite a veces , el segundo b veces , el tercero c veces, ...(m = a + b + c + ... = n) son los distintos grupos que pueden formarse con esos m elementos de forma que : S entran todos los elementos. S importa el orden. S se repiten los elementos.

EJEMPLOS. De cuantas maneras distintas se pueden colocar 5 personas en una fila nPr= n! 5P5= 5!= 120 maneras de sentarse. (n-r)! 5!

-De cuantas maneras 3 nios y 2 nios pueden sentarse en una fila. nPr= n! 3P2= 3!= 3*2*1= 3*2=6 formas (n-r) 2! 2*1

Combinaciones
Se llama combinaciones de m elementos tomados de n en n (m n) a todas las agrupaciones posibles que pueden hacerse con los m elementos de forma que: No entran todos los elementos. No importa el orden. No se repiten los elementos.

Tambin podemos calcular las combinaciones mediante factoriales:

Combinaciones con repeticin

Las combinaciones con repeticin de m elementos tomados de n en n (m n), son los distintos grupos formados por n elementos de manera que: No entran todos los elementos. No importa el orden. S se repiten los elementos.

Nmeros combinatorio

TEORIA COMBINATORIA Estudia las diversas formas de agrupar los elementos de un componente en subconjuntos menores o iguales, cuando se cumplen una o mas determinadas condiciones . tambin se puede utilizar como un mtodo de conteo. Permutacin Se llaman permutaciones ordinarias o sin repeticin ( Pn) a las variaciones sin repeticin en las que m=n, es decir, que en cada arreglo entran todos los elementos del conjunto. Dos permutaciones sobre un conjunto se distinguen slo por el orden de los elementos. Por ello se pueden identificar con los distintos rdenes que se pueden establecer en los elementos de un conjunto. Tambin se llaman permutaciones a las aplicaciones biyectivas de un conjunto en s mismo. Es el concepto tradicional de sustitucin en un conjunto. Ms adelante trataremos este concepto de permutacin como aplicacin biyectiva interna en un conjunto. El nmero de permutaciones formadas con un conjunto de n elementos coincide con su factorial: Pn = n!

Un caso especial de permutaciones es el de las circulares, que son las distintas formas de ordenar unos objetos en crculo (por ejemplo, invitados a una cena). Su nmero es (n-1)! Permutaciones con repeticin En los distintos rdenes posibles quizs se desee admitir la repeticin de algunos elementos un nmero determinado de veces. Por ejemplo, en la palabra CATAPULTA, si quisiramos ordenar sus letras, deberamos admitir que la A se repitiera tres veces y la T dos. Llamaremos permutaciones con repeticin a estas ordenaciones. Para calcular el nmero de permutaciones de este tipo bastar dividir el factorial del nmero total de smbolos, contando sus repeticiones, entre el nmero de veces que se repite cada uno.

En el ejemplo, el nmero de permutaciones de la palabra CATAPULTA sera de 11!/(3!*2!) =3.326.400 Combinaciones Llamaremos combinaciones de m elementos tomados de n en n, (simbolizadas por Cm,n) a todos los subconjuntos de n elementos que se pueden formar en un conjunto de m elementos. Por su propia definicin se deduce que el orden no interviene para distinguir unas combinaciones de otras. El nmero total de combinaciones viene dado por la frmula

Combinaciones con repeticin Las combinaciones con repeticin CRm,n de m elementos tomados de n en n admiten varias definiciones. Se usan todas porque es un concepto ms difcil que los anteriores y para abrir aplicaciones diversas de este tipo de arreglos.

Podemos elegir las siguientes: (1) Son los distintos arreglos que se pueden formar en un conjunto de m elementos de forma que en cada uno se elijan n elementos que pueden ser repetidos y se diferencien unos arreglos de otros slo en los elementos que los forman y no por el orden elegido. (2) Son aplicaciones del conjunto (1,2,3...n) en el conjunto dado que sean crecientes en sentido amplio. (3) Las CRm,n equivalen a un reparto de m objetos en n cajas. (4) Las CRm,n equivalen al conjunto de todas las soluciones enteras positivas de la ecuacin x1 + x2 + ... + xn = m La frmula para calcular CRm,n se puede expresar de varias formas:

Ejemplo Se tienen 6 banderas de sealizacin, dos rojas, dos verdes y dos azules. Cuntas seales distintas pueden hacerse con una o dos banderas a la vez? * Solucin: Si denotamos las banderas rojas, verdes y azules por R, V y A, respectivamente, vemos que con una bandera a la vez se pueden hacer 3 seales distintas: R , V ,A Con dos banderas a la vez se puede hacer las siguientes seales (sacando, por ejemplo, una primera y despus la otra) es decir RR, RV. RA, VR, VV, VA, AR, AV, AA Entonces, si se utilizan dos banderas, se pueden hacer 9 seales distintas. Luego, con una o dos banderas se podrn realizar 3+9= 12 seales diferentes. Observa que, como se establece en la definicin, se trata de dos sucesos A y B descritos como: A: Se hacen seales con una sola bandera

B: Se hacen seales con dos banderas. Y que ambos no pueden ocurrir simultneamente, ya que si se decide hacer seales con una bandera se descarta la segunda alternativa y viceversa Ejemplo Cuntas quinielas de futbol distintas se pueden hacer? Tenemos en cuenta que en cada partido puede haber 3 resultados: 1, x,2 , que hay 14 partidos y que los resultados de cada uno es independiente de los dems, por tanto tendremos 3 .3 3 = 314
TEORIA DE PROBABILIDADES

La teora de la probabilidad es la parte de las matemticas que estudia los fenmenos aleatorios estocsticos. Estos deben contraponerse a los fenmenos determinsticos, los cuales son resultados nicos y/o previsibles de experimentos realizados bajo las mismas condiciones determinadas, por ejemplo, si se calienta agua a 100 grados Celsius a nivel del mar se obtendr vapor. Los fenmenos aleatorios, por el contrario, son aquellos que se obtienen como resultado de experimentos realizados, otra vez, bajo las mismas condiciones determinadas pero como resultado posible poseen un conjunto de alternativas, por ejemplo, el lanzamiento de un dado o de una moneda. La teora de probabilidades se ocupa de asignar un cierto nmero a cada posible resultado que pueda ocurrir en un experimento aleatorio, con el fin de cuantificar dichos resultados y saber si un suceso es ms probable que otro. Muchos fenmenos naturales son aleatorios, pero existen algunos como el lanzamiento de un dado, donde el fenmeno no se repite en las mismas condiciones, debido a que la caractersticas del material hace que no exista una simetra del mismo, as las repeticiones no garantizan una probabilidad definida. En los procesos reales que se modelizan mediante distribuciones de probabilidad corresponden a modelos complejos donde no se conocen a priori todos los parmetros que intervienen; sta es una de las razones por las cuales la estadstica, que busca determinar estos parmetros, no se reduce inmediatamente a la teora de la probabilidad en s. En 1933, el matemtico sovitico Andri Kolmogrov propuso un sistema de axiomas para la teora de la probabilidad, basado en la teora de conjuntos y en la teora de la medida, desarrollada pocos aos antes por Lebesgue, Borel y Frechet entre otros.

Esta aproximacin axiomtica que generaliza el marco clsico de la probabilidad, la cual obedece a la regla de clculo de casos favorables sobre casos posibles, permiti la rigorizacin de muchos argumentos ya utilizados, as como el estudio de problemas fuera de los marcos clsicos. Actualmente, la teora de la probabilidad encuentra aplicacin en las ms variadas ramas del conocimiento, como puede ser la fsica (donde corresponde mencionar el desarrollo de las difusiones y el movimiento Browniano), o las finanzas (donde destaca el modelo de Black y Scholes para la valuacin de acciones).

La aleatoriedad se asocia a todo proceso cuyo resultado no es previsible ms que en razn de la intervencin del azar. El resultado de todo suceso aleatorio no puede determinarse en ningn caso antes de que este se produzca. El estudio de los fenmenos aleatorios queda dentro del mbito de la teora de la probabilidad y, en un marco ms amplio, en el de la estadstica. La palabra aleatorio se usa para expresar una aparente carencia de propsito, causa, u orden. El trmino aleatoriedad se usa a menudo como sinnimo con un nmero de propiedades estadsticas medibles, tales como la carencia de tendencias o correlacin. La aleatoriedad ocupa un lugar importante en la ciencia y la filosofa.

Historia
La especie humana se ha preocupado de la aleatoriedad desde tiempos prehistricos, la mayora a travs de la adivinacin (al leer mensajes siguiendo patrones aleatorios) y los juegos. La oposicin entre el libre albedro y el determinismo ha sido una cuestin divisiva en la filosofa y la teologa. A pesar de la prevalencia de los juegos en todas las pocas y culturas, por un largo perodo hubo una cierta investigacin occidental sobre el tema, posiblemente debido a la desaprobacin que la Iglesia Catlica mantena en cuestiones de juegos y la adivinacin. Si bien Gerolamo Cardano y Galileo escribieron sobre los juegos de azar, fueron Blaise Pascal, Pierre de Fermat y Christiaan Huygens quienes nos condujeron a lo que hoy se conoce como teora de probabilidad. Los matemticos se centraron primero en aleatoriedad estadstica y consideraron frecuencias de bloque (es decir, no solo las frecuencias de ocurrencias de elementos individuales, si no tambin bloques de longitudes arbitrarias) como la medida de la aleatoriedad, un acercamiento que se prolongar hacia la entropa de la informacin en la teora de la informacin.

A principios de los aos 60, Gregory Chaitin, Andri Kolmogrov y Ray Solomonoff introdujeron la nocin de aleatoriedad algortmica, en la cual la aleatoriedad de una secuencia depende de si es posible comprimirla.