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

0'005 10.05)10 10.05 (1 0. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas.9984 10 ( 2) 0'05 (1 0.0476 2 10 ( 2) 0'05 (1 0.05)2 8 10.5987 0. Hechas estas consideraciones iniciales. Se tiene que: * * 0.0'05 =        ≤ = − i −i i Pη 3.binomial de parámetros n y p=0. procedemos a resolver el problema: 1.05.05) 0 10 0 10. Procedamos a calcular: * * 0.0'05 =        Pη==− 2. por experiencia. Por último: * * 1 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.4013 0 10 ( 1) 1 ( 0) 1 0. Esta variable sigue . que el 20% de las personas que reservan una mesa no asistirán. El gerente de un restaurante que sólo da servicio mediante reservas sabe.0'05 = − =        ≥=−==−−−PηPη 2.

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

µx.95. Consideremos una población de N elementos x1.ESTAND. se aplicará la primera fórmula. pues los recursos económicos y el tiempo para procesar la información resultaría insuficiente en el caso de aplicársele a la población estudiantil completa. que es 0.96)=0. vamos a deducir la relación entre la media de la población original.95.NORM. pero con la seguridad de que ésta se encuentra cerca a los diez millares. …. Se considerará una confianza del 95%. se desea realizar una investigación sobre los alumnos inscritos en primer y segundo años. se pueden formar muestras diferentes de tamaño n a partir de una población de tamaño N. Si se quiere un porcentaje de confianza del 95%. Por definición. Un resultado semejante se cumple para la muestras con reemplazo. Esto quiere decir que P(-1.95. 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. x2. una institución de nivel medio superior. para lo cual se aplicará un cuestionario de manera aleatoria a una muestra. P(-Z<z<Z)=0. se puede calcular el valor de Z. En el Colegio de Bachilleres.96<z<1. o la función DISTR. hasta que los n elementos se hayan seleccionado. y la media de las medias de las muestras.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. Por tanto. En las n diferentes muestras. suponiendo que no se conoce el tamaño exacto de la población. y así sucesivamente.96 (con una aproximación a dos decimales). el elemento se reintegre a la población. la media de las medias de todas las muestras posibles es igual a la media de la población original.En el teorema 6-1 hemos demostrado que en el caso de muestras sin reemplazo. N para el segundo. que sería 1. xN a partir de la cual se seleccionan muestras de tamaño n. cada elemento de la población original aparece veces. De esta manera hay N posibilidades de escoger el primer elemento de la muestra. . con la condición de que después de que cada elemento de la muestra se escoja. es decir. En primera instancia. Ahora. µx. cuando el remplazo es permitido. Utilizando las tablas.INV() del Excel. entonces hay que considerar la proporción correspondiente.

96 N Z²a/2S² 8000(1. es decir. 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. N = 8000 .= 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.05 (5%) Za/2= 1.96)²(2)² n = -------------. variabilidad y error) se mantienen. ¿De que tamaño debe de ser la muestra? DATOS: S = 2 cms3 .Primero habrá que obtener el valor de Z de tal forma que la confianza sea del 95%. con una población de 8000 unidades. pero con la seguridad de que las condiciones aceptadas para la generalización (confiabilidad.96. 1. o viendo (en este caso) el ejemplo anterior. Si queremos tener una precisión 0. Utilizando las tablas o las funciones de Excel se pueden obtener. entonces se aplicará la segunda fórmula.25 cms3 . d = 0. En un lote de frascos para medicina. A través de un premuestreo de tamaño 35 se ha estimado que la desviación estándar es de 2 centímetros cúbicos. Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9.25)² + (1.25 cms3.96)²(2)² .95.408. y un nivel de significancia del 5% . buscar un valor de Z tal que P(-Z<z<Z)=0. a = 0. resulta que Z=1.= --------------------------.

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

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

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 . E n tre 6 0 kg y 65 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. Utilizando x y s como estimaciones de µx y σx. es 3.5 cm. 6 4 kg o me n o s. Me n o s de 64 kg . 2 . 5 . Má s d e 9 0 kg . Aún más. ha l la r cu á n to s e stu d ia n te s pe sa n : 1 . 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 . (al cm más próximo). 4 . 6 4 kg .5. S up o n ie n d o . En seguida se ilustra el procedimiento de estimación con un ejemplo. podemos decir que la desviación estándar de las alturas respecto a la media es. aproximadamente. Puesto que µx = µx y σx = las estimaciones para µx y σx son x y respectivamente. podemos afirmar que la altura media de todos los niños de esa guardería es alrededor de 69 cm.desviación estándar que corresponden a la población original. 3 . Se escoge una muestra aleatoria de 36 niños de una guardería infantil. 3. 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 . 2 . 4 . 3 . ha l la r cu án to s e s tud i a n te s pe sa n : 1 . . 5 . Men o s d e 6 4 kg . 64 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 . Má s de 90 kg .

.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 . 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 ° . 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 ° . A fin de verificar esto. TEOREMA DEL LIMITE CENTRAL La aproximación anterior representa sólo un caso especial de un resultado general. 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 .

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

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

Sign up to vote on this title
UsefulNot useful