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

Por último: * * 1 0.5987 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. procedemos a resolver el problema: 1.9984 10 ( 2) 0'05 (1 0.05) 0 10 0 10.05)10 10. Procedamos a calcular: * * 0. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas.05)2 8 10. por experiencia. Esta variable sigue .0'05 = − =        ≥=−==−−−PηPη 2. Se tiene que: * * 0. El gerente de un restaurante que sólo da servicio mediante reservas sabe.0476 2 10 ( 2) 0'05 (1 0.0'05 =        ≤ = − i −i i Pη 3.05 (1 0.0'05 =        Pη==− 2.binomial de parámetros n y p=0.4013 0 10 ( 1) 1 ( 0) 1 0. que el 20% de las personas que reservan una mesa no asistirán.05.0'005 10. Hechas estas consideraciones iniciales.

Suponiendo que las distintas reservas son independientes entre sí. Así se tiene que: *0. si un dado se tira.2 *(1 0. de un total de n reservas (δ 1…. Por ejemplo.δ n). De estos ejemplos se puede ver que esta clase de muestreo se puede considerar cuando se trata de poblaciones indefinidamente grandes. Si el dado se tira por segunda vez. el proceso tiene lugar como si una unidad fuera reemplazada una vez que se ha sacado. es menos probable que aparezca la segunda. Entonces. 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. un muestreo de mediciones es una clase de muestreo con reemplazo. debe ocurrir que acudan 20 o menos.80 m. 5 y 6).2) 0.2. No se podría pensar en que si el resultado fue 1 la primera vez. hay también 6 resultados posibles. de acuerdo con el enunciado del ejercicio. Después que se obtuviera una medición 1.2. con distribución binomial de parámetros n y p=0. ¿se podría pensar que esto reduce la probabilidad de obtener 1. 2. para aquellas personas que asistan al restaurante de las 25 que han hecho la reserva puedan disponer de una mesa. 3. el número de ellas que acuden finalmente al restaurante es una variable aleatoria Yn =Σ= n i1 δ 1. 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. . hay 6 resultados posibles (digamos 1. n=25. En el caso particular del problema. se tiene que.una distribución de Bernoulli de parámetro p = 0. 4.5799 25 ( 20) 25 20 0 =−      ≤=− =Σ ii ii PY MUESTREO CON REEMPLAZO En muchos problemas de muestreo.80 m en el segundo intento? Así.

P(-Z<z<Z)=0. De esta manera hay N posibilidades de escoger el primer elemento de la muestra. En primera instancia. …. µx.96)=0. Se considerará una confianza del 95%. Consideremos una población de N elementos x1. entonces hay que considerar la proporción correspondiente. hasta que los n elementos se hayan seleccionado. y la media de las medias de las muestras. cada elemento de la población original aparece veces. suponiendo que no se conoce el tamaño exacto de la población. se pueden formar muestras diferentes de tamaño n a partir de una población de tamaño N. 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. En las n diferentes muestras. con la condición de que después de que cada elemento de la muestra se escoja.INV() del Excel.95. una institución de nivel medio superior. cuando el remplazo es permitido. que es 0. Si se quiere un porcentaje de confianza del 95%. el elemento se reintegre a la población. µx. pues los recursos económicos y el tiempo para procesar la información resultaría insuficiente en el caso de aplicársele a la población estudiantil completa. vamos a deducir la relación entre la media de la población original. se aplicará la primera fórmula.96 (con una aproximación a dos decimales). que sería 1. Utilizando las tablas. Un resultado semejante se cumple para la muestras con reemplazo. o la función DISTR. pero con la seguridad de que ésta se encuentra cerca a los diez millares.ESTAND.NORM. Esto quiere decir que P(-1.95. para lo cual se aplicará un cuestionario de manera aleatoria a una muestra. Ahora. se puede calcular el valor de Z. Por definición. N para el segundo.95. Por tanto. x2. . es decir.En el teorema 6-1 hemos demostrado que en el caso de muestras sin reemplazo. 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. En el Colegio de Bachilleres.96<z<1. se desea realizar una investigación sobre los alumnos inscritos en primer y segundo años. 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.95. y así sucesivamente.

25 cms3.Primero habrá que obtener el valor de Z de tal forma que la confianza sea del 95%.96.25 cms3 . es decir. a = 0.95. buscar un valor de Z tal que P(-Z<z<Z)=0.25)² + (1. resulta que Z=1.= 238 frascos Nd² + Z²a/2S² 8000(0. entonces se aplicará la segunda fórmula. 1.408. En un lote de frascos para medicina. se desea estimar la media de la capacidad en centímetros cúbicos de los mismos.96)²(2)² . d = 0. Utilizando las tablas o las funciones de Excel se pueden obtener. N = 8000 . A través de un premuestreo de tamaño 35 se ha estimado que la desviación estándar es de 2 centímetros cúbicos. variabilidad y error) se mantienen. con una población de 8000 unidades. y un nivel de significancia del 5% . Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9. De esta manera se realiza la sustitución y se obtiene: Esto quiere decir que el tamaño de la muestra es de 385 alumnos. 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. pero con la seguridad de que las condiciones aceptadas para la generalización (confiabilidad. o viendo (en este caso) el ejemplo anterior.05 (5%) Za/2= 1.96 N Z²a/2S² 8000(1. ¿De que tamaño debe de ser la muestra? DATOS: S = 2 cms3 .96)²(2)² n = -------------.= --------------------------. Si queremos tener una precisión 0.

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

µx = µx. la media y la . a un ingeniero especialista en cohetes le puede interesar la variabilidad en el funcionamiento de un tipo dado de proyectil.5) = 91 ----------------. para determinar la media de cada una de ellas y. En las secciones anteriores se vio que si se supone que cada muestra de tamaño n tiene la misma probabilidad de ser seleccionada. numerosos problemas están relacionados con la estimación de la media o la desviación estándar de una población dada. o para muestreo con reemplazo.1 . DISTRIBUCION MUESTRAL DE MEDIA En estadística. este procedimiento no es práctico. calcular la media y la desviación estándar de la distribución de las medias de las muestras.96 Z²a/2 pq n= 1500 (1. x. y la desviación estándar. Por ejemplo.N = 1500 . por la ecuación σx = . s. las fórmulas anteriores permitirían calcular µx y σx directamente. a = 5 % p = 0. para poblaciones suficientemente grandes. la desviación estándar de la distribución de las medias de la muestra. está relacionada con la desviación estándar de la población σx. si a una empresa le puede interesar el número promedio de piezas defectuosas producidas por una cierta máquina. σx. La media.5)(0. d = 10 % = 0.5) Se deben de muestrear 91 niños. de esa muestra únicamente se toman como estimaciones de µx y σx. Za/2= 1. Aún más.5 y q = 0. sino únicamente una de ellas. Por lo general.= ------------------------------d² + Z²a/2 pq 1500(0. apartir del estudio de una muestra de tamaño n.5 (asumiendo varianza máxima).1)² + (1.5)(0.96)²(0. Lo que comúnmente se hace es no estudiar todas las muestras de tamaño n. Si en una aplicación particular fuera practico seleccionar todas las posibles muestras de tamaño n.96)²(0. después. entonces la media de la distribución de las medias de la muestra es la misma que la de la población original.

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful