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

El gerente de un restaurante que sólo da servicio mediante reservas sabe. Hechas estas consideraciones iniciales.05) 0 10 0 10.0'005 10. ¿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.0476 2 10 ( 2) 0'05 (1 0.0'05 =        ≤ = − i −i i Pη 3. procedemos a resolver el problema: 1.9984 10 ( 2) 0'05 (1 0. Por último: * * 1 0.05.05)2 8 10.4013 0 10 ( 1) 1 ( 0) 1 0.05)10 10. Procedamos a calcular: * * 0. que el 20% de las personas que reservan una mesa no asistirán. por experiencia. Se tiene que: * * 0. Esta variable sigue . Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas.0'05 = − =        ≥=−==−−−PηPη 2.05 (1 0.5987 0.0'05 =        Pη==− 2.binomial de parámetros n y p=0.

De estos ejemplos se puede ver que esta clase de muestreo se puede considerar cuando se trata de poblaciones indefinidamente grandes. si un dado se tira. debe ocurrir que acudan 20 o menos.2) 0. para aquellas personas que asistan al restaurante de las 25 que han hecho la reserva puedan disponer de una mesa. 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.80 m en el segundo intento? Así. Suponiendo que las distintas reservas son independientes entre sí. 3. 5 y 6). Entonces. ¿se podría pensar que esto reduce la probabilidad de obtener 1. . el número de ellas que acuden finalmente al restaurante es una variable aleatoria Yn =Σ= n i1 δ 1. Si el dado se tira por segunda vez. de acuerdo con el enunciado del ejercicio. de un total de n reservas (δ 1…. En el caso particular del problema. el proceso tiene lugar como si una unidad fuera reemplazada una vez que se ha sacado.una distribución de Bernoulli de parámetro p = 0. No se podría pensar en que si el resultado fue 1 la primera vez. es menos probable que aparezca la segunda.2.2 *(1 0. hay también 6 resultados posibles.80 m.2. 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. 2. Por ejemplo. hay 6 resultados posibles (digamos 1. un muestreo de mediciones es una clase de muestreo con reemplazo. se tiene que.δ n). n=25. Así se tiene que: *0.5799 25 ( 20) 25 20 0 =−      ≤=− =Σ ii ii PY MUESTREO CON REEMPLAZO En muchos problemas de muestreo. Después que se obtuviera una medición 1. 4. con distribución binomial de parámetros n y p=0.

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

05 (5%) Za/2= 1. con una población de 8000 unidades.96)²(2)² .25)² + (1. pero con la seguridad de que las condiciones aceptadas para la generalización (confiabilidad.= --------------------------. N = 8000 .96.95. Si queremos tener una precisión 0. ¿De que tamaño debe de ser la muestra? DATOS: S = 2 cms3 .25 cms3 . 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. buscar un valor de Z tal que P(-Z<z<Z)=0.25 cms3. o viendo (en este caso) el ejemplo anterior. y un nivel de significancia del 5% . entonces se aplicará la segunda fórmula. resulta que Z=1.408. Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9. a = 0. 1. variabilidad y error) se mantienen.Primero habrá que obtener el valor de Z de tal forma que la confianza sea del 95%.= 238 frascos Nd² + Z²a/2S² 8000(0.96)²(2)² n = -------------. En un lote de frascos para medicina. se desea estimar la media de la capacidad en centímetros cúbicos de los mismos. De esta manera se realiza la sustitución y se obtiene: Esto quiere decir que el tamaño de la muestra es de 385 alumnos. d = 0. A través de un premuestreo de tamaño 35 se ha estimado que la desviación estándar es de 2 centímetros cúbicos. es decir. Utilizando las tablas o las funciones de Excel se pueden obtener.96 N Z²a/2S² 8000(1.

en Auckland para estimar la proporción de interés. De que tamaño debe de ser la muestra? DATOS: . 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 0.10 .Solo faltaría muestrear 203 frascos. 2. pues los datos de los 35 frascos del premuestreo siguen siendo válidos. Sin embargo. DATOS: N = 580 Niños En realidad. Cullen realizo una muestra aleatoria simple con reemplazo de tamaño 120. de interés para una clínica es el porcentaje de pacientes retrasados para su vacunación. Una cantidad. Solución: 3. 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. Algunas clínicas examinan cada registro para determinar el porcentaje. se desea determinar en que proporción los niños de una región toman incaparina en el desayuno. con un nivel de significancia del 5%. en una clínica grande. En un estudio. Si se sabe que existen 1. la realización de un censo de los registros puede llevar mucho tiempo. de los cuales 27 resultaron como no retrasados para la vacuna. con frecuencia.500 niños y deseamos tener una precisión del 10 porciento.

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

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

3 . Má s de 90 kg . Men o s d e 6 4 kg .qu e lo s p e so s se di stri b u ye n n o rma l men te . ha l la r cu án to s e s tud i a n te s pe sa n : 1 . 2 . 64 kg . 64 kg o men o s. 4 . E n tre 6 0 kg y 65 kg . . 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 . 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. A fin de verificar esto. TEOREMA DEL LIMITE CENTRAL La aproximación anterior representa sólo un caso especial de un resultado general. 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 ° . co n me d i a 23 ° y de svi a ció n típ i ca 5° . . = 0 si la falla 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 ° .

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

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

Sign up to vote on this title
UsefulNot useful