MUESTREO SIN REEMPLAZO Considere una población de N elementos x1, x2, …, xN a partir de la cual se seleccionan muestras de tamaño n.

¿Cuál es la media de las medias de las muestras, en términos de la media de la población; esto es, cómo se puede expresar µ x en términos de µx? Considere primero, el número de muestras de tamaño n que se forman a partir de la población de N elementos. Para una población de N elementos x1, x2, … , xN a partir de la cual se escogen muestras de tamaño n, la media de las medias de todas las muestras posibles de tamaño n es igual a la media de la población original. Esto es, µx = µx. Para la población de N elementos ..., a partir de la cual se seleccionan muestras de tamaño n, la relación entre la desviación estándar σx , de las medias de todas las muestras posibles de tamaño n y la desviación estándar, σx, de la población original es σx = σx 1. Supongamos que la probabilidad de tener una unidad defectuosa en una línea de ensamblaje es de 0.05. Si el conjunto de unidades terminadas constituye un conjunto de ensayos independientes: 1. ¿cuál es la probabilidad de que entre diez unidades dos se encuentren defectuosas? 2. ¿y de que a lo sumo dos se encuentren defectuosas? 3. ¿cual es la probabilidad de que por lo menos una se encuentre defectuosa? SOLUCIÓN: Seaδ i una variable aleatoria que representa el estado de una unidad terminada en la línea de ensamblaje en el momento i, siendo δ i= 1 si la unidad es defectuosa y δ =0 en caso contrario. La variable δ sigue una distribución Bernoulli con parámetro p=0’05, de acuerdo con el dato inicial del problema. Además, nótese que un conjunto de unidades terminadas constituye un conjunto de ensayos independientes, por lo que el número de unidades defectuosas de un total de n unidades terminadas (δ 1……….δ n), esto es, i n i n p Σ= = 1 , η δ , sigue una distribución

05) 0 10 0 10.9984 10 ( 2) 0'05 (1 0. Procedamos a calcular: * * 0.0'005 10.05)10 10. Hechas estas consideraciones iniciales. El gerente de un restaurante que sólo da servicio mediante reservas sabe.05)2 8 10.4013 0 10 ( 1) 1 ( 0) 1 0.0'05 = − =        ≥=−==−−−PηPη 2. procedemos a resolver el problema: 1. Por último: * * 1 0.5987 0.0'05 =        Pη==− 2. Esta variable sigue . que el 20% de las personas que reservan una mesa no asistirán.05. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas.05 (1 0.0476 2 10 ( 2) 0'05 (1 0.binomial de parámetros n y p=0. Se tiene que: * * 0. ¿cuál es la probabilidad de que a todas las personas que asistan al restaurante se les asigne una mesa? SOLUCIÓN: Representemos por la variable aleatoria δ la decisión de asistir (δ = 0) o no (δ = 1) finalmente al restaurante por parte de una persona que ha hecho una reserva. por experiencia.0'05 =        ≤ = − i −i i Pη 3.

2 *(1 0.2) 0. el proceso tiene lugar como si una unidad fuera reemplazada una vez que se ha sacado. ¿se podría pensar que esto reduce la probabilidad de obtener 1.2. Entonces. No se podría pensar en que si el resultado fue 1 la primera vez. n=25. el número de ellas que acuden finalmente al restaurante es una variable aleatoria Yn =Σ= n i1 δ 1. con distribución binomial de parámetros n y p=0.2.una distribución de Bernoulli de parámetro p = 0. Suponiendo que las distintas reservas son independientes entre sí. es menos probable que aparezca la segunda. El mismo resultado se puede obtener si se sacaran bolas marcadas con los números del 1 al 6 de una bolsa y se reemplazaran antes de sacar otra. De estos ejemplos se puede ver que esta clase de muestreo se puede considerar cuando se trata de poblaciones indefinidamente grandes. En el caso particular del problema. Por ejemplo. hay 6 resultados posibles (digamos 1. 4. 3. Después que se obtuviera una medición 1. Si el dado se tira por segunda vez.δ n). Supongamos que se desea hacer varias mediciones de la longitud de un tablero para tomar el promedio de ellas como una mejor estimación de la medida.5799 25 ( 20) 25 20 0 =−      ≤=− =Σ ii ii PY MUESTREO CON REEMPLAZO En muchos problemas de muestreo. .80 m en el segundo intento? Así. 5 y 6). 2. un muestreo de mediciones es una clase de muestreo con reemplazo. de un total de n reservas (δ 1….80 m. hay también 6 resultados posibles. debe ocurrir que acudan 20 o menos. se tiene que. de acuerdo con el enunciado del ejercicio. para aquellas personas que asistan al restaurante de las 25 que han hecho la reserva puedan disponer de una mesa. si un dado se tira. Así se tiene que: *0.

. o la función DISTR. xN a partir de la cual se seleccionan muestras de tamaño n. la media de las medias de todas las muestras posibles es igual a la media de la población original. es decir. cada elemento de la población original aparece veces. Consideremos una población de N elementos x1. vamos a deducir la relación entre la media de la población original.95. hasta que los n elementos se hayan seleccionado. el elemento se reintegre a la población. …. Un resultado semejante se cumple para la muestras con reemplazo. se puede calcular el valor de Z. un porcentaje de error del 5% y la máxima variabilidad por no existir antecedentes en la institución sobre la investigación y porque no se puede aplicar una prueba previa. se pueden formar muestras diferentes de tamaño n a partir de una población de tamaño N. cuando el remplazo es permitido. que es 0.ESTAND. y así sucesivamente.96 (con una aproximación a dos decimales).95. P(-Z<z<Z)=0. En el Colegio de Bachilleres. x2. Por definición. se desea realizar una investigación sobre los alumnos inscritos en primer y segundo años. pero con la seguridad de que ésta se encuentra cerca a los diez millares. Utilizando las tablas.INV() del Excel. se aplicará la primera fórmula. una institución de nivel medio superior.96<z<1. µx. pues los recursos económicos y el tiempo para procesar la información resultaría insuficiente en el caso de aplicársele a la población estudiantil completa. De esta manera hay N posibilidades de escoger el primer elemento de la muestra. con la condición de que después de que cada elemento de la muestra se escoja. Por tanto. N para el segundo. En las n diferentes muestras. suponiendo que no se conoce el tamaño exacto de la población. Lo que se buscaría en seguida es el valor Z para la variable aleatoria z tal que el área simétrica bajo la curva normal desde -Z hasta Z sea igual a 0. entonces hay que considerar la proporción correspondiente. Si se quiere un porcentaje de confianza del 95%. Esto quiere decir que P(-1.NORM. Se considerará una confianza del 95%.En el teorema 6-1 hemos demostrado que en el caso de muestras sin reemplazo.96)=0.95. y la media de las medias de las muestras. En primera instancia. que sería 1. µx. para lo cual se aplicará un cuestionario de manera aleatoria a una muestra. Ahora.95.

En un lote de frascos para medicina. pero con la seguridad de que las condiciones aceptadas para la generalización (confiabilidad. con una población de 8000 unidades. es decir. Utilizando los mismos parámetros la sustitución queda como: Con lo que se tiene una cota mínima de 370 alumnos para la muestra y así poder realizar la investigación sin más costo del necesario. y un nivel de significancia del 5% . Utilizando las tablas o las funciones de Excel se pueden obtener.25 cms3.96.95.= 238 frascos Nd² + Z²a/2S² 8000(0. buscar un valor de Z tal que P(-Z<z<Z)=0. A través de un premuestreo de tamaño 35 se ha estimado que la desviación estándar es de 2 centímetros cúbicos. 1. entonces se aplicará la segunda fórmula.96 N Z²a/2S² 8000(1. variabilidad y error) se mantienen. a = 0.25)² + (1. d = 0. resulta que Z=1.25 cms3 . Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9. o viendo (en este caso) el ejemplo anterior.408.= --------------------------. Si queremos tener una precisión 0.96)²(2)² n = -------------.96)²(2)² . ¿De que tamaño debe de ser la muestra? DATOS: S = 2 cms3 . De esta manera se realiza la sustitución y se obtiene: Esto quiere decir que el tamaño de la muestra es de 385 alumnos.Primero habrá que obtener el valor de Z de tal forma que la confianza sea del 95%. N = 8000 . se desea estimar la media de la capacidad en centímetros cúbicos de los mismos.05 (5%) Za/2= 1.

de los cuales 27 resultaron como no retrasados para la vacuna.10 . de interés para una clínica es el porcentaje de pacientes retrasados para su vacunación. 2. en una clínica grande. Sin embargo. Cullen realizo una muestra aleatoria simple con reemplazo de tamaño 120. con un nivel de significancia del 5%. Algunas clínicas examinan cada registro para determinar el porcentaje. Una cantidad. Solución: 3.Solo faltaría muestrear 203 frascos. se desea determinar en que proporción los niños de una región toman incaparina en el desayuno. De que tamaño debe de ser la muestra? DATOS: . en Auckland para estimar la proporción de interés. Si se sabe que existen 1. DATOS: N = 580 Niños En realidad. De un intervalo de confianza al 95% para la proporción de niños no retrasados. Cullen (1994) realizo una muestra de los 580 niños a los que da servicio una clínica familiar. con frecuencia. En un estudio.500 niños y deseamos tener una precisión del 10 porciento. Que tamaño de muestra seria necesario con una muestra aleatoria simple (sin reemplazo) para estimar la proporción con el 95% de confianza y un margen de error de 0. la realización de un censo de los registros puede llevar mucho tiempo. pues los datos de los 35 frascos del premuestreo siguen siendo válidos.

por la ecuación σx = . si a una empresa le puede interesar el número promedio de piezas defectuosas producidas por una cierta máquina. Lo que comúnmente se hace es no estudiar todas las muestras de tamaño n.5) = 91 ----------------. Si en una aplicación particular fuera practico seleccionar todas las posibles muestras de tamaño n. entonces la media de la distribución de las medias de la muestra es la misma que la de la población original. a un ingeniero especialista en cohetes le puede interesar la variabilidad en el funcionamiento de un tipo dado de proyectil. calcular la media y la desviación estándar de la distribución de las medias de las muestras. después.= ------------------------------d² + Z²a/2 pq 1500(0.1 . Aún más. numerosos problemas están relacionados con la estimación de la media o la desviación estándar de una población dada. para determinar la media de cada una de ellas y. y la desviación estándar.5 y q = 0.5)(0. Por ejemplo. sino únicamente una de ellas. a = 5 % p = 0.96)²(0. La media. de esa muestra únicamente se toman como estimaciones de µx y σx. Za/2= 1. apartir del estudio de una muestra de tamaño n. las fórmulas anteriores permitirían calcular µx y σx directamente.5) Se deben de muestrear 91 niños. o para muestreo con reemplazo. Por lo general. µx = µx.N = 1500 . la media y la . la desviación estándar de la distribución de las medias de la muestra. DISTRIBUCION MUESTRAL DE MEDIA En estadística.5)(0. este procedimiento no es práctico. está relacionada con la desviación estándar de la población σx. d = 10 % = 0. para poblaciones suficientemente grandes.5 (asumiendo varianza máxima). x.96)²(0. σx.1)² + (1.96 Z²a/2 pq n= 1500 (1. En las secciones anteriores se vio que si se supone que cada muestra de tamaño n tiene la misma probabilidad de ser seleccionada. s.

4 . podemos decir que la desviación estándar de las alturas respecto a la media es. Aún más. S up o n ie n d o . Puesto que µx = µx y σx = las estimaciones para µx y σx son x y respectivamente. ha l la r cu á n to s e stu d ia n te s pe sa n : 1 .desviación estándar que corresponden a la población original. Las alturas (en cm) de los niños que constituyen la muestra son: 63 66 67 69 71 73 64 66 68 69 72 74 64 67 68 69 72 74 65 67 68 70 72 76 65 67 69 70 72 76 66 67 69 70 73 77 La media de la muestra x es 69. 6 4 kg . Utilizando x y s como estimaciones de µx y σx. E n tre 6 0 kg y 65 kg . es 3. Se escoge una muestra aleatoria de 36 niños de una guardería infantil. En seguida se ilustra el procedimiento de estimación con un ejemplo.5 cm. aproximadamente. Me n o s de 64 kg . 1 La me di a y lo s qu e d e l o s pe so s de 5 00 e stu di a n te s de un co l eg i o e s 7 0 kg y l a d e svi a ci ón típ i ca 3 kg . 5 . S up o ni e n do q u e l o s pe so s se d i strib u ye n no rmal me n te . La me d i a y l o s qu e de l o s p e so s de 50 0 e stu di a n te s d e un co le g io e s 70 kg y la de svi a ci ó n típ i ca 3 kg . 3. podemos afirmar que la altura media de todos los niños de esa guardería es alrededor de 69 cm. Má s d e 9 0 kg . (al cm más próximo). 3 . 6 4 kg o me n o s.5. y la desviación estándar s. 2 .

ha l la r cu án to s e s tud i a n te s pe sa n : 1 . 64 kg o men o s. 2 .qu e lo s p e so s se di stri b u ye n n o rma l men te . 64 kg . Men o s d e 6 4 kg . 4 . 3 . Má s de 90 kg . . E n tre 6 0 kg y 65 kg . 5 .

co n med i a 2 3 ° y d e svia ci ón típ i c a 5 ° . co n me d i a 23 ° y de svi a ció n típ i ca 5° . TEOREMA DEL LIMITE CENTRAL La aproximación anterior representa sólo un caso especial de un resultado general.2 E n un a ci u da d se esti ma q u e la te mpe ra tu ra má xi ma en el me s de ju ni o si un a d i strib u ció n no rmal . = 0 si la falla ocurre en la i-ésima repetición. C al cu l a r e l nú me ro de d ía s de l me s e n l o s qu e se e sp e r a a l ca n za r má xi ma s en tre 21 ° y 27 ° . E n un a ci u da d se esti ma q u e la te mpe ra tu ra má xi ma en e l me s de j un i o si u na d i strib u ci ón n o rma l . recordemos que la variable aleatoria X distribuida binomialmente se puede representar como la suma de las siguientes variables aleatorias independientes: Xi = 1 si el éxito ocurre en la i-ésima repetición. C a l cu l a r el nú me ro de d ía s de l m e s en lo s q u e se e spe ra a l can za r má xi ma s en tre 21 ° y 27 ° . . A fin de verificar esto.

1). (X – np)/ tiene la distribución aproximada N(0. Este teorema representa una generalización obvia de la aproximación de DeMoivre-Laplace. . X2. por tanto. su distribución puede aproximarse por la distribución normal. y V(Xi) = . V(X) = np(1 . + Xn puede ser aproximada por una variable aleatoria distribuida normalmente. Este resultado notable se conoce como el teorema del límite central. . Sea X1. . la variable aleatoria que se considera. si es la fda dela variable aleatoria Zn tenemos limn ∞ Gn (z) = Φ(z). Luego bajo ciertas condiciones generales (que no se indicarán explícitamente aquí). . C al cu la r la p ro ba b i li d ad de qu e l a med i a d e l os pe s o s d e l a s bo l sa s d e u n pa q u e te se a men o r q u e 4 95 g . 1 . .p) y. . Para esta variable aleatoria hemos demostrado que E(X) = np. Que para un n grande. + Xn. puede ser representada como la suma de n variables aleatorias independientes y. . una sucesión de variables aleatorias independientes con E(Xi) = µi. Resulta que en muchos problemas. . entonces esta suma para un n suficientemente grande está distribuida aproximadamente normal. i = 1. además. Sea X = Xi + X2 + . representa la razón básica para la importancia de la distribución normal en la teoría de probabilidades. . .1). Si una variable aleatoria X puede representarse como una suma de n variables aleatorias independientes cualesquiera (satisfaciendo ciertas condiciones que son validas en la mayor parte de las aplicaciones). El hecho de que las Xi pueden tener (evidentemente) cualquier clase de distribución y aún así la suma X = X1 + . Es decir. . Las variables aleatorias independientes Xi que toman sólo los valores 1 y 0 han sido sustituidas por variables aleatorias que poseen cualquier clase de distribución (mientras tengan esperanzas y varianzas finitas). .Luego X = X1 + X2 + … + Xn. Zn = Tiene aproximadamente la distribución N (0. . Xn . 2. .

mx/matematicas/estadisticas/xu5.html http://sitios. Willoughby. Meyer.cl/hsalinas/cursos/2009/estadistica/resueltosprobabilidades. http://www. Ca l cu l a r la p ro b a bi l id a d de q ue u na ca ja 1 0 0 d e bo l sa s p e se má s de 51 kg .ingenieriausac.vitutor.pdf http://www. Autor Stephen S. Editorial Impresora Azteca.html http://www.mat. Editorial CIA.2 .gt/estadistica/estadistica3/muestreosimplealeatorio. 1989 México.uaq.edu.com/pro/5/a_a.html . Autor Paul L.uda. NOMBRE: CRISTIAN DE JESUS GALINDO LOPEZ Bibliografía: Probabilidad y estadística. Impresora Gutenberg Probabilidad y aplicaciones estadísticas. Sexta reimpresión 1978 México.

Sign up to vote on this title
UsefulNot useful