UNIVERSIDAD TECNOLOGICA DE SANTIAGO

UTESA
Recinto Moca
Práctica del Tercer Parcial de Estadística II

Nombre: Perla Daniela Reyes Peralta

Matrícula: 1-17-8171
Fecha de entrega: viernes 10 de abril del año 2020.Hora máxima para la
entrega: 5:00 p.m. (Si deseas entregar antes, mucho mejor, pues esto me
puede permitir calificar más rápido).
Maestra: Xiomara Severino, M.A
Nota: No puede entregar por otra vìa, que no sea por NUBE UTESA.

Para enviar a la plataforma debe ser en formato PDF.

Deben cumplir con el día establecido por la maestra.

Para llenar lo que se te pide en las actividades, debes observar tutoriales de los temas.

Por cada actividad, dos páginas, no más.

Actividad # 1: Investigar sobre Teoría del muestreo. Ventaja y desventaja.

Población

Muestra

Universo

Censo

Sus generalidades:

Concepto

Historia

Importancia

Personajes que aportaron

Aplicación

Fórmulas
Ver video y agregar algunos ejemplos. Valor: (10 puntos).

Actividad #2: Investigar sobre el límite de confianza o Intervalo de confianza.

Tamaño de la muestra seleccionada.

Nivel de confianza.

Margen de error de nuestra estimación.

Lo estimado en la muestra: media, varianza y diferencia de medias.

Sus generalidades:

Concepto

Historia

Importancia

Personajes que aportaron

Aplicación

Fórmulas

Ver video y agregar algunos ejemplos. Valor: (10 puntos)

Actividad # 3: Investigar sobre el Ajuste de Curvas y el Método de Mínimos Cuadrados. Gráficas.

Sus generalidades:

Concepto

Historia

Importancia y

Personajes que aportaron

Aplicación

Fórmulas

Ver video y agregar algunos ejemplos. Valor: (10 puntos).

Muchas bendiciones y que nuestro Dios les proteja siempre.

Actividad #1 el muestreo
El muestreo
Un muestreo es el procedimiento a través del cual es seleccionada una
muestra (que es un subconjunto de elementos de una población, es decir,
una porción de elementos extraídos de una población previamente definida)
a partir de una población. El muestreo se refiere a esa reducción de
elementos que componen a un universo o población, para así poder
cumplir con la investigación correspondiente.
Ventajas del muestreo aleatorio simple
Una de las mejores cosas del muestreo aleatorio simple es la facilidad para
armar la muestra también se considera una forma justa de seleccionar una
muestra a partir de una población, ya que cada miembro tiene igualdad de
oportunidad de ser seleccionado.
Desventajas del muestreo aleatorio simple: Una de las limitaciones más
evidente del muestreo aleatorio simple es la necesidad de una lista
completa de todos los miembros de la población. Debes tener en cuenta que
la lista de la población debe estar completa y actualizada. Esta lista
generalmente no está disponible en poblaciones grandes. En estos casos, es
más prudente utilizar otros técnicos de muestreo.
Población: Conjunto total de casos o pernas que satisfacen los criterios del
estudio y que podrían ser incluidos en la investigación.
Muestra: Subconjunto o porción de la población que se selecciona con el
propósito de hacer el estudio uno más fácil y manejable.
Universo: En estadística es el nombre específico que recibe
particularmente en la investigación social la operación dentro de la
delimitación del campo de investigación que tiene por observaciones del
conjunto de unidades de observación que van a ser investigadas.
Censo: Se denomina censo al recuento de individuos que conforman una
población estadística, definida como un conjunto de elementos de
referencia sobre el que se realizan las observaciones.
Concepto: Es el proceso de seleccionar un conjunto de individuos de una
población con el fin de estudiarlos y poder caracterizar el total de la
población.
Historia: Una revista literary digest se publicó en USA entre 1890 y 1920,
expidieron a personas de seis estados tarjetas en las que les preguntaban
por quien iba a votar en la elecciones si por Warren o por james.
Importancia: El muestreo es de vital importancia ya que un muestreo de
toda la población puede examinar y sacar conclusiones en base a una
pequeña parte de la población total, dando por sentado que los resultados
obtenidos en la muestra son de hecho representativos de toda la población.
Personajes que aportan: Probabilístico y no probabilístico.
Aplicación: El tiempo ocupado por una persona en cualquiera actividad o
tarea. El tiempo productivo y el tiempo improductivo de personas,
maquinas u operaciones. La magnitud de los tiempos perdidos y las guasas
que lo produjeron. Los rendimientos personales del grupo.
Formulas: (N=N1+N2+…Nĸ POR CUOTAS) M=(i, i+k, i+2k, … i+(n-
1)k) SISTEMATICO
Ejemplos: 1) A un grupo de 100 personas se le numera de uno a cien y se
depositan en una suma 100 bolitas a su vez numeradas de uno a cien. Para
obtener una muestra aleatoria simple de 20 elementos, tendríamos que
sacar 20 bolitas numeradas de la que nos seleccionara en forma
completamente al azar a los 20 elementos escogidos para que opinen sobre
un nuevo producto

2) .a partir de una lista de 100 establecimientos de comestibles, deseamos

seleccionar una muestra probabilística de 20 tiendas. La forma de hacerlo
sería: Dividir 100 entre 20 para obtener 5, que es un salto sistemático.
Extraer un número al azar entre 1 y 5. Supóngase que es el número 2 el
cual corresponde al primer elemento seleccionado. Se le incluye en la
muestra de establecimiento numerado: 2, 7, 12, 17,22,…..97.
Actividad #2 Límite de confianza o intervalo de confianza
Tamaño de la muestra: De una población de media y desviación típica se
pueden tomar muestras de elementos. Cada una de estas muestras tiene a
su vez una media. Se puede demostrar que la media de todas las medias
muéstrales coincide con la media poblacional:𝜇 𝑥=𝜇.
Nivel de confianza: El nivel de confianza "1 - α" es la probabilidad de que,
al tomar una muestra dentro de una población, la media se encuentre dentro
de un intervalo de confianza. Cuanto más grande sea el intervalo, más
probable será que la media se encuentre dentro. Por su parte, la amplitud
del intervalo se relaciona con dicha probabilidad mediante la distribución
normal por medio del valor "z_{α/2}" o "z_{1α/2}", según la tabla de la
distribución normal que se disponga (cuya probabilidad empieza en 0.00 o
en 0.50 respectivamente). También se usa para razonar a la inversa, debido
a que resulta más fácil tomar los datos de una muestra que de toda una
población.
Margen de error: Estimación parámetros de una población desde una
muestra, intervalo de confianza de una muestra, error máximo admitido y
tamaño mínimo, ejercicios resueltos de muestras y estimación de la
población.
Lo Estimado de la muestra: Lo habitual es que se desconozca la media y
la desviación típica de la población, vamos a estimar estos parámetros en
función de una muestra.Si desconocemos la desviación típica de la
población, utilizamos la desviación típica de la muestra.Vamos a calcular el
intervalo de confianza para la media poblacional, error máximo admitido y
tamaño de la muestra.
Concepto: Un intervalo de confianza es una técnica de estimación utilizada
en inferencia estadística que permite acotar un par o varios pares de
valores, dentro de los cuales se encontrará la estimación puntual buscada
(con una determinada probabilidad).
Un intervalo de confianza nos va a permitir calcular dos valores alrededor
de una media muestra (uno superior y otro inferior). Estos valores van a
acotar un rango dentro del cual, con una determinada probabilidad, se va a
localizar el parámetro poblacional.
Intervalo de confianza = media +- margen de error
Historia: el intervalo de confianza es un tema estudiado en todos los curso
de estadística universitarios e incluso en la educación secundaria. Por
ejemplo en M.E.C. (2004), se Introduce dentro del tema de estimación en
el Bachillerado de Ciencias Sociales. Por otro lado, las investigaciones
psicológicas y las didácticas, han avisado acerca de Errores en la
inferencia estadística, sobre todo en la interpretación del contraste de
hipótesis
(Morrison y Henkel, 1970; Vallecillos, 1994, 1999; Harlow, Mulaik y
Steiger, 1997; Batanero, 2000; Díaz y de la Fuente, 2004). Al mismo
tiempo, investigadores de prestigio en la comunidad científica, sugieren el
uso de los intervalos de confianza para complementar los contrastes de
hipótesis y mejorar de este modo los errores denunciados en la práctica de
la inferencia estadística (Kish, 1970; Cohen, 1994; Hunter, 1997; Davies,
1998; Wilkinson, 1999; Cumming y Finch, 2001; Clark, 2004; Wolfe y
Cumming, 2004). Importancia: el intervalo de confianza no sirve para dar
una estimación puntual del parámetro poblacional, si nos va a servir para
hacernos una idea aproximada de cuál podría ser el verdadero de este. Nos
permite acotar entre dos valores en dónde se encontrará la media de la
población. Aplicación: Los pasos para aplicar un intervalo de confianza son
los siguientes:
 Establecer un error de estimación máximo para un nivel de confianza
1 – α.
 Obtener el tamaño de la muestra n para el error de estimación
y
medir la variable.
 Calcular el estadístico (es estimador del parámetro) con las medidas
obtenidas.
 Calcular los límites del intervalo de confianza.
Ejemplos: Se ha obtenido una muestra de 25 alumnos de una Facultad para
estimar la calificación media de los expedientes de los alumnos en la
Facultad. Se sabe por otros cursos que la desviación típica de las
puntuaciones en dicha Facultad es de 2.01 puntos. La media de la muestra
fue de 4.9. 1. Intervalo de confianza al 90 %. 2. Intervalo de confianza al
99 %. Solución ejemplo 1. 1. Intervalo de confianza al 90 %. Usamos la
fórmula: ͞𝑥 ± zₐ ∕ ²𝜎͟ √ᶰ Los cantiles de orden 0.05 y 0.95, que encierran en
el centro de la distribución normal un ´área igual a 0.9 se muestran en el
grafico siguiente: Por ´ultimo, sustituyendo los datos en la fórmula del
intervalo, tenemos: 2,01 4,9 ± 1,64 2,01 √ 25 ≡ 4,9 ± 0,66
Actividad #3 Ajustes de curva y el método de mínimos cuadrados

Ajuste de curva: consiste en encontrar una curva que contenga una serie
de puntos y que posiblemente cumpla una serie de restricciones
adicionales. Esta sección es una introducción tanto a la interpolación
(cuando se espera un ajuste exacto a determinadas restricciones) y al ajuste
de curvas/análisis de regresión (cuando se permite una aproximación).
Mínimos cuadrados: es una técnica de análisis numérico enmarcada
dentro de la optimización matemática, en la que, dados un conjunto de
pares ordenados —variable independiente, variable dependiente— y una
familia de funciones, se intenta encontrar la función continua, dentro de
dicha familia, que mejor se aproxime a los datos (un "mejor ajuste"), de
acuerdo con el criterio de mínimo error cuadrático.
En su forma más simple, intenta minimizar la suma de cuadrados de las
diferencias en las ordenadas (llamadas residuos) entre los puntos generados
por la función elegida y los correspondientes valores en los datos.
Específicamente, se llama mínimos cuadrados promedio (LMS) cuando el
número de datos medidos es 1 y se usa el método de descenso por gradiente
para minimizar el residuo cuadrado. Se puede demostrar que LMS
minimiza el residuo cuadrado esperado, con el mínimo de operaciones (por
iteración), pero requiere un gran número de iteraciones para converger.
Historia: El día de Año Nuevo de 1801, el astrónomo italiano Giuseppe
Piazzi descubrió el planeta enano Ceres. Fue capaz de seguir su órbita
durante 40 días. Durante el curso de ese año, muchos científicos intentaron
estimar su trayectoria con base en las observaciones de Piazzi (resolver las
ecuaciones no lineales de Kepler de movimiento es muy difícil). La
mayoría de las evaluaciones fueron inútiles; el único cálculo
suficientemente preciso para permitir a Franz Xaver von Zach, astrónomo
alemán, reencontrar a Ceres al final del año fue el de Carl Friedrich Gauss,
por entonces un joven de 24 años (los fundamentos de su enfoque ya los
había planteado en 1795, cuando aún tenía 18 años). Sin embargo, su
método de mínimos cuadrados no se publicó sino hasta 1809, y apareció en
el segundo volumen de su trabajo sobre mecánica celeste, Theoria Motus
Corporum Coelestium in sectionibus conicis solem ambientium. El francés
Adrien-Marie Legendre desarrolló el mismo método de forma
independiente en 1805.
En 1829, Gauss fue capaz de establecer la razón del éxito maravilloso de
este procedimiento: simplemente, el método de mínimos cuadrados es
óptimo en muchos aspectos. El argumento concreto se conoce como
teorema de Gauss-Márkov.
Importancia y Aportes: Durante el desarrollo del curso "Cálculo
Numérico" describimos los métodos numéricos aplicados, a alumnos de
tercer año de las carreras: Ingeniería en Electrónica, Ingeniería Civil,
Licenciatura en Física y Profesorado en Matemática. Entre los objetivos
propuestos en este curso podemos citar los siguientes: 1. que sea fácilmente
comprensible para los alumnos con un conocimiento mínimo de
matemáticas; 2. capacitar a los alumnos para que practiquen los métodos
numéricos en una computadora; 3. elaborar programas simples que puedan
usarse de manera sencilla en aplicaciones científicas; 4. proporcionar
software que resulte fácil de comprender. La importancia de los métodos
numéricos ha aumentado de forma drástica en la enseñanza de la ingeniería
y la ciencia, lo cual refleja el uso actual y sin precedentes de las
computadoras. El desarrollo de un programa siempre es importante en el
aprendizaje de métodos numéricos. Cuando los alumnos implementen con
buen resultado los métodos numéricos en una computadora personal y los
apliquen para resolver problemas que de
otro modo resultan intratables, entonces tendrán una demostración tangible
de cómo les pueden ayudar las computadoras para su desarrollo
profesional. Aplicación: Si la variable independiente de X representa
tiempo, los datos de dan valor de Y en distintos momentos. En casos a la
recta o curva de regresión de Y en X se le llama recta o curva de tendencia
y se emplea para hacer estimaciones, predicciones o pronósticos