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

5987 0.05 (1 0. Esta variable sigue .4013 0 10 ( 1) 1 ( 0) 1 0. Procedamos a calcular: * * 0. Por último: * * 1 0. Hechas estas consideraciones iniciales. Se tiene que: * * 0. procedemos a resolver el problema: 1.0'05 =        ≤ = − i −i i Pη 3.9984 10 ( 2) 0'05 (1 0.0'05 =        Pη==− 2.05)10 10. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas.05)2 8 10. que el 20% de las personas que reservan una mesa no asistirán.0476 2 10 ( 2) 0'05 (1 0.0'05 = − =        ≥=−==−−−PηPη 2.05.binomial de parámetros n y p=0. El gerente de un restaurante que sólo da servicio mediante reservas sabe. ¿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.0'005 10.05) 0 10 0 10.

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

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

1. es decir. resulta que Z=1.= --------------------------.25)² + (1. ¿De que tamaño debe de ser la muestra? DATOS: S = 2 cms3 .96)²(2)² n = -------------. y un nivel de significancia del 5% .96 N Z²a/2S² 8000(1.25 cms3. se desea estimar la media de la capacidad en centímetros cúbicos de los mismos. N = 8000 . pero con la seguridad de que las condiciones aceptadas para la generalización (confiabilidad. De esta manera se realiza la sustitución y se obtiene: Esto quiere decir que el tamaño de la muestra es de 385 alumnos.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. a = 0.05 (5%) Za/2= 1. A través de un premuestreo de tamaño 35 se ha estimado que la desviación estándar es de 2 centímetros cúbicos.Primero habrá que obtener el valor de Z de tal forma que la confianza sea del 95%. o viendo (en este caso) el ejemplo anterior.95. En un lote de frascos para medicina.96)²(2)² . Utilizando las tablas o las funciones de Excel se pueden obtener.96. Si queremos tener una precisión 0.= 238 frascos Nd² + Z²a/2S² 8000(0. con una población de 8000 unidades. entonces se aplicará la segunda fórmula. Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9. buscar un valor de Z tal que P(-Z<z<Z)=0. d = 0. variabilidad y error) se mantienen.408.

10 . DATOS: N = 580 Niños En realidad. de interés para una clínica es el porcentaje de pacientes retrasados para su vacunación. 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. Si se sabe que existen 1.500 niños y deseamos tener una precisión del 10 porciento. de los cuales 27 resultaron como no retrasados para la vacuna. De un intervalo de confianza al 95% para la proporción de niños no retrasados. con un nivel de significancia del 5%. Sin embargo. De que tamaño debe de ser la muestra? DATOS: . Cullen realizo una muestra aleatoria simple con reemplazo de tamaño 120. en Auckland para estimar la proporción de interés.Solo faltaría muestrear 203 frascos. se desea determinar en que proporción los niños de una región toman incaparina en el desayuno. pues los datos de los 35 frascos del premuestreo siguen siendo válidos. con frecuencia. Solución: 3. 2. en una clínica grande. En un estudio. 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. Algunas clínicas examinan cada registro para determinar el porcentaje.

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

En seguida se ilustra el procedimiento de estimación con un ejemplo. 5 . podemos decir que la desviación estándar de las alturas respecto a la media es. Se escoge una muestra aleatoria de 36 niños de una guardería infantil. podemos afirmar que la altura media de todos los niños de esa guardería es alrededor de 69 cm. 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 .5.5 cm. E n tre 6 0 kg y 65 kg . 6 4 kg o me n o s. 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. Puesto que µx = µx y σx = las estimaciones para µx y σx son x y respectivamente.desviación estándar que corresponden a la población original. aproximadamente. (al cm más próximo). es 3. 2 . Má s d e 9 0 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 . 6 4 kg . ha l la r cu á n to s e stu d ia n te s pe sa n : 1 . Aún más. S up o n ie n d o . 3 . 4 . 3. 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.

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

= 0 si la falla ocurre en la i-ésima repetición. 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 . co n med i a 2 3 ° y d e svia ci ón típ i c a 5 ° . 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 ° . 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. 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 . A fin de verificar esto.

su distribución puede aproximarse por la distribución normal. . El hecho de que las Xi pueden tener (evidentemente) cualquier clase de distribución y aún así la suma X = X1 + . . Para esta variable aleatoria hemos demostrado que E(X) = np. . + Xn. . puede ser representada como la suma de n variables aleatorias independientes y. . 2. además. 1 . entonces esta suma para un n suficientemente grande está distribuida aproximadamente normal.Luego X = X1 + X2 + … + Xn. Que para un n grande. . Sea X = Xi + X2 + . X2. una sucesión de variables aleatorias independientes con E(Xi) = µi. V(X) = np(1 . por tanto. + Xn puede ser aproximada por una variable aleatoria distribuida normalmente. 1). Sea X1. . Xn . representa la razón básica para la importancia de la distribución normal en la teoría de probabilidades. . la variable aleatoria que se considera.p) y.1). . . y V(Xi) = . Este resultado notable se conoce como el teorema del límite central. Resulta que en muchos problemas. i = 1. Zn = Tiene aproximadamente la distribución N (0. Es decir. si es la fda dela variable aleatoria Zn tenemos limn ∞ Gn (z) = Φ(z). 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. . 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). 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). . Este teorema representa una generalización obvia de la aproximación de DeMoivre-Laplace.

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