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 10.05. Se tiene que: * * 0.0'005 10. Procedamos a calcular: * * 0.05 (1 0.5987 0. Esta variable sigue .05)10 10. Hechas estas consideraciones iniciales.0'05 = − =        ≥=−==−−−PηPη 2. El gerente de un restaurante que sólo da servicio mediante reservas sabe. por experiencia.0'05 =        ≤ = − i −i i Pη 3. procedemos a resolver el problema: 1. Por último: * * 1 0.0476 2 10 ( 2) 0'05 (1 0.0'05 =        Pη==− 2. ¿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. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas. que el 20% de las personas que reservan una mesa no asistirán.05)2 8 10.9984 10 ( 2) 0'05 (1 0.4013 0 10 ( 1) 1 ( 0) 1 0.binomial de parámetros n y p=0.

Por ejemplo. hay también 6 resultados posibles. 5 y 6). es menos probable que aparezca la segunda. Así se tiene que: *0.2 *(1 0. si un dado se tira. Si el dado se tira por segunda vez.80 m en el segundo intento? Así. para aquellas personas que asistan al restaurante de las 25 que han hecho la reserva puedan disponer de una mesa. debe ocurrir que acudan 20 o menos. el proceso tiene lugar como si una unidad fuera reemplazada una vez que se ha sacado. 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. con distribución binomial de parámetros n y p=0.2. se tiene que.5799 25 ( 20) 25 20 0 =−      ≤=− =Σ ii ii PY MUESTREO CON REEMPLAZO En muchos problemas de muestreo. 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. ¿se podría pensar que esto reduce la probabilidad de obtener 1. 2. hay 6 resultados posibles (digamos 1. Entonces. un muestreo de mediciones es una clase de muestreo con reemplazo. el número de ellas que acuden finalmente al restaurante es una variable aleatoria Yn =Σ= n i1 δ 1.80 m.δ n). n=25.2) 0. Después que se obtuviera una medición 1. 4.2. de un total de n reservas (δ 1…. 3. 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. de acuerdo con el enunciado del ejercicio. Suponiendo que las distintas reservas son independientes entre sí.una distribución de Bernoulli de parámetro p = 0. No se podría pensar en que si el resultado fue 1 la primera vez. .

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

N = 8000 . con una población de 8000 unidades. ¿De que tamaño debe de ser la muestra? DATOS: S = 2 cms3 . Si queremos tener una precisión 0. resulta que Z=1. Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9. pero con la seguridad de que las condiciones aceptadas para la generalización (confiabilidad.95.25 cms3. y un nivel de significancia del 5% .Primero habrá que obtener el valor de Z de tal forma que la confianza sea del 95%.96. A través de un premuestreo de tamaño 35 se ha estimado que la desviación estándar es de 2 centímetros cúbicos.= --------------------------. De esta manera se realiza la sustitución y se obtiene: Esto quiere decir que el tamaño de la muestra es de 385 alumnos. 1.96 N Z²a/2S² 8000(1.408.96)²(2)² .25 cms3 . es decir. Utilizando las tablas o las funciones de Excel se pueden obtener. o viendo (en este caso) el ejemplo anterior. a = 0. d = 0. variabilidad y error) se mantienen. En un lote de frascos para medicina.= 238 frascos Nd² + Z²a/2S² 8000(0. entonces se aplicará la segunda fórmula.96)²(2)² n = -------------.05 (5%) Za/2= 1. buscar un valor de Z tal que P(-Z<z<Z)=0.25)² + (1. se desea estimar la media de la capacidad en centímetros cúbicos de los mismos. 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.

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

de esa muestra únicamente se toman como estimaciones de µx y σx. d = 10 % = 0. numerosos problemas están relacionados con la estimación de la media o la desviación estándar de una población dada. µx = µx. la media y la . x.1)² + (1.5)(0.5 y q = 0.5)(0. para determinar la media de cada una de ellas y. Por lo general. Za/2= 1. sino únicamente una de ellas. por la ecuación σx = . En las secciones anteriores se vio que si se supone que cada muestra de tamaño n tiene la misma probabilidad de ser seleccionada. y la desviación estándar. si a una empresa le puede interesar el número promedio de piezas defectuosas producidas por una cierta máquina.5) Se deben de muestrear 91 niños. Lo que comúnmente se hace es no estudiar todas las 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. la desviación estándar de la distribución de las medias de la muestra. las fórmulas anteriores permitirían calcular µx y σx directamente. para poblaciones suficientemente grandes.= ------------------------------d² + Z²a/2 pq 1500(0.N = 1500 . a = 5 % p = 0. apartir del estudio de una muestra de tamaño n. calcular la media y la desviación estándar de la distribución de las medias de las muestras.5) = 91 ----------------. s. Aún más.96)²(0.1 . este procedimiento no es práctico. DISTRIBUCION MUESTRAL DE MEDIA En estadística. La media. σx. Por ejemplo. está relacionada con la desviación estándar de la población σx.5 (asumiendo varianza máxima). a un ingeniero especialista en cohetes le puede interesar la variabilidad en el funcionamiento de un tipo dado de proyectil.96)²(0. o para muestreo con reemplazo. después. Si en una aplicación particular fuera practico seleccionar todas las posibles muestras de tamaño n.96 Z²a/2 pq n= 1500 (1.

Utilizando x y s como estimaciones de µx y σx. 6 4 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 . 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 . 3 . ha l la r cu á n to s e stu d ia n te s pe sa n : 1 . Se escoge una muestra aleatoria de 36 niños de una guardería infantil. Puesto que µx = µx y σx = las estimaciones para µx y σx son x y respectivamente. es 3. podemos afirmar que la altura media de todos los niños de esa guardería es alrededor de 69 cm. y la desviación estándar s.5. Me n o s de 64 kg . 4 . En seguida se ilustra el procedimiento de estimación con un ejemplo.5 cm. podemos decir que la desviación estándar de las alturas respecto a la media es. Má s d e 9 0 kg . Aún más. 2 .desviación estándar que corresponden a la población original. S up o n ie n d o . 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 . 5 . 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. E n tre 6 0 kg y 65 kg . 3. aproximadamente. (al cm más próximo). 6 4 kg o me n o s.

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

TEOREMA DEL LIMITE CENTRAL La aproximación anterior representa sólo un caso especial de un resultado general. = 0 si la falla ocurre en la i-ésima repetición.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 . 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 ° . . co n med i a 2 3 ° y d e svia ci ón típ i c a 5 ° . 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 . 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. co n me d i a 23 ° y de svi a ció n típ i ca 5° . 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.

por tanto. si es la fda dela variable aleatoria Zn tenemos limn ∞ Gn (z) = Φ(z). puede ser representada como la suma de n variables aleatorias independientes y. representa la razón básica para la importancia de la distribución normal en la teoría de probabilidades. . 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). + Xn puede ser aproximada por una variable aleatoria distribuida normalmente. . Que para un n grande. Para esta variable aleatoria hemos demostrado que E(X) = np. X2. entonces esta suma para un n suficientemente grande está distribuida aproximadamente normal. y V(Xi) = . 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 . (X – np)/ tiene la distribución aproximada N(0. . Sea X = Xi + X2 + . Zn = Tiene aproximadamente la distribución N (0. Luego bajo ciertas condiciones generales (que no se indicarán explícitamente aquí).1). Es decir. . la variable aleatoria que se considera. . Este teorema representa una generalización obvia de la aproximación de DeMoivre-Laplace. . i = 1.p) y. + Xn. 2. . . Este resultado notable se conoce como el teorema del límite central. además.Luego X = X1 + X2 + … + Xn. . . . Resulta que en muchos problemas. Xn . . 1 . . . 1). V(X) = np(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). su distribución puede aproximarse por la distribución normal. Sea X1. una sucesión de variables aleatorias independientes con E(Xi) = µi. El hecho de que las Xi pueden tener (evidentemente) cualquier clase de distribución y aún así la suma X = X1 + .

com/pro/5/a_a.gt/estadistica/estadistica3/muestreosimplealeatorio.mat.edu.html http://sitios. Impresora Gutenberg Probabilidad y aplicaciones estadísticas.pdf http://www. Sexta reimpresión 1978 México.vitutor. http://www.html http://www.cl/hsalinas/cursos/2009/estadistica/resueltosprobabilidades. Autor Paul L.uaq. Editorial CIA.ingenieriausac.uda. 1989 México. Editorial Impresora Azteca.mx/matematicas/estadisticas/xu5. NOMBRE: CRISTIAN DE JESUS GALINDO LOPEZ Bibliografía: Probabilidad y estadística.2 . Willoughby.html . Autor Stephen S. Meyer. 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 .