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

Esta variable sigue .binomial de parámetros n y p=0.05) 0 10 0 10.0'05 =        ≤ = − i −i i Pη 3. Procedamos a calcular: * * 0. que el 20% de las personas que reservan una mesa no asistirán. El gerente de un restaurante que sólo da servicio mediante reservas sabe. Se tiene que: * * 0.4013 0 10 ( 1) 1 ( 0) 1 0. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas. ¿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.05 (1 0.05)2 8 10.5987 0.0'05 =        Pη==− 2.0'005 10. Por último: * * 1 0.0'05 = − =        ≥=−==−−−PηPη 2.05)10 10. por experiencia.0476 2 10 ( 2) 0'05 (1 0. Hechas estas consideraciones iniciales.05. procedemos a resolver el problema: 1.9984 10 ( 2) 0'05 (1 0.

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 tiene que. Entonces. de acuerdo con el enunciado del ejercicio. Suponiendo que las distintas reservas son independientes entre sí. Por ejemplo. n=25. 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. con distribución binomial de parámetros n y p=0.δ n). debe ocurrir que acudan 20 o menos. No se podría pensar en que si el resultado fue 1 la primera vez. Así se tiene que: *0.80 m en el segundo intento? Así. En el caso particular del problema.2.2. el proceso tiene lugar como si una unidad fuera reemplazada una vez que se ha sacado. el número de ellas que acuden finalmente al restaurante es una variable aleatoria Yn =Σ= n i1 δ 1. hay también 6 resultados posibles. Después que se obtuviera una medición 1. 2. 3.una distribución de Bernoulli de parámetro p = 0.80 m.5799 25 ( 20) 25 20 0 =−      ≤=− =Σ ii ii PY MUESTREO CON REEMPLAZO En muchos problemas de muestreo. ¿se podría pensar que esto reduce la probabilidad de obtener 1.2) 0. de un total de n reservas (δ 1….2 *(1 0. 4. 5 y 6). si un dado se tira. para aquellas personas que asistan al restaurante de las 25 que han hecho la reserva puedan disponer de una mesa. es menos probable que aparezca la segunda. . hay 6 resultados posibles (digamos 1. Si el dado se tira por segunda vez. De estos ejemplos se puede ver que esta clase de muestreo se puede considerar cuando se trata de poblaciones indefinidamente grandes.

95. En las n diferentes muestras. cada elemento de la población original aparece veces. el elemento se reintegre a la población. se desea realizar una investigación sobre los alumnos inscritos en primer y segundo años. o la función DISTR. Se considerará una confianza del 95%. Consideremos una población de N elementos x1. ….95. Por tanto. Si se quiere un porcentaje de confianza del 95%.INV() del Excel. con la condición de que después de que cada elemento de la muestra se escoja. es decir. 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.ESTAND. suponiendo que no se conoce el tamaño exacto de la población. P(-Z<z<Z)=0. que sería 1. se puede calcular el valor de Z. Ahora. vamos a deducir la relación entre la media de la población original. x2.96<z<1. pero con la seguridad de que ésta se encuentra cerca a los diez millares. .96 (con una aproximación a dos decimales). se pueden formar muestras diferentes de tamaño n a partir de una población de tamaño N. que es 0. µx. y la media de las medias de las muestras. N para el segundo. De esta manera hay N posibilidades de escoger el primer elemento de la muestra. En primera instancia. µx. hasta que los n elementos se hayan seleccionado.En el teorema 6-1 hemos demostrado que en el caso de muestras sin reemplazo. y así sucesivamente. En el Colegio de Bachilleres. 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. xN a partir de la cual se seleccionan muestras de tamaño n. Esto quiere decir que P(-1.96)=0.95. pues los recursos económicos y el tiempo para procesar la información resultaría insuficiente en el caso de aplicársele a la población estudiantil completa. Un resultado semejante se cumple para la muestras con reemplazo. la media de las medias de todas las muestras posibles es igual a la media de la población original. entonces hay que considerar la proporción correspondiente.95. cuando el remplazo es permitido. se aplicará la primera fórmula. para lo cual se aplicará un cuestionario de manera aleatoria a una muestra. Utilizando las tablas. una institución de nivel medio superior.NORM.

25 cms3.25)² + (1. Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9. a = 0.25 cms3 . buscar un valor de Z tal que P(-Z<z<Z)=0. se desea estimar la media de la capacidad en centímetros cúbicos de los mismos. entonces se aplicará la segunda fórmula.96)²(2)² n = -------------. ¿De que tamaño debe de ser la muestra? DATOS: S = 2 cms3 . d = 0.= --------------------------. y un nivel de significancia del 5% .05 (5%) Za/2= 1.95. Utilizando las tablas o las funciones de Excel se pueden obtener.408.96. es decir.96)²(2)² . N = 8000 . Si queremos tener una precisión 0. con una población de 8000 unidades. 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. 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. 1. En un lote de frascos para medicina.= 238 frascos Nd² + Z²a/2S² 8000(0. De esta manera se realiza la sustitución y se obtiene: Esto quiere decir que el tamaño de la muestra es de 385 alumnos. resulta que Z=1.Primero habrá que obtener el valor de Z de tal forma que la confianza sea del 95%.96 N Z²a/2S² 8000(1.

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

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

podemos afirmar que la altura media de todos los niños de esa guardería es alrededor de 69 cm. Me n o s de 64 kg . 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. (al cm más próximo). 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 . 6 4 kg o me n o s. podemos decir que la desviación estándar de las alturas respecto a la media es. 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 . aproximadamente. 3.5 cm. ha l la r cu á n to s e stu d ia n te s pe sa n : 1 . En seguida se ilustra el procedimiento de estimación con un ejemplo. 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. Má s d e 9 0 kg . 3 . es 3. E n tre 6 0 kg y 65 kg . Utilizando x y s como estimaciones de µx y σx. 6 4 kg .5. 5 . y la desviación estándar s. 2 . Aún más. Puesto que µx = µx y σx = las estimaciones para µx y σx son x y respectivamente.desviación estándar que corresponden a la población original. S up o n ie n d o . 4 .

5 . 4 . 3 . E n tre 6 0 kg y 65 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 . 2 . ha l la r cu án to s e s tud i a n te s pe sa n : 1 . Men o s d e 6 4 kg . 64 kg . Má s de 90 kg .

co n me d i a 23 ° y de svi a ció n típ i ca 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 . 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. 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 ° .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.

2. 1 . .Luego X = X1 + X2 + … + Xn. . representa la razón básica para la importancia de la distribución normal en la teoría de probabilidades. Sea X = Xi + X2 + . Resulta que en muchos problemas. si es la fda dela variable aleatoria Zn tenemos limn ∞ Gn (z) = Φ(z). El hecho de que las Xi pueden tener (evidentemente) cualquier clase de distribución y aún así la suma X = X1 + . Zn = Tiene aproximadamente la distribución N (0. . (X – np)/ tiene la distribución aproximada N(0.1). 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 . Para esta variable aleatoria hemos demostrado que E(X) = np. . además. Luego bajo ciertas condiciones generales (que no se indicarán explícitamente aquí). Este teorema representa una generalización obvia de la aproximación de DeMoivre-Laplace. . y V(Xi) = . . por tanto. Que para un n grande. 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. . entonces esta suma para un n suficientemente grande está distribuida aproximadamente normal. V(X) = np(1 . . su distribución puede aproximarse por la distribución normal. . 1). X2. + Xn. puede ser representada como la suma de n variables aleatorias independientes y. una sucesión de variables aleatorias independientes con E(Xi) = µi. Es decir. 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). . i = 1. Este resultado notable se conoce como el teorema del límite central. . la variable aleatoria que se considera. .p) y. Xn . . Sea X1.

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

Sign up to vote on this title
UsefulNot useful