P. 1
50838728 Muestreo Con y Sin Reemplazo Esta

50838728 Muestreo Con y Sin Reemplazo Esta

|Views: 28|Likes:
Publicado porRodriguez Isabel

More info:

Published by: Rodriguez Isabel on Jul 14, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/10/2014

pdf

text

original

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

0'05 = − =        ≥=−==−−−PηPη 2.5987 0.0'05 =        ≤ = − i −i i Pη 3. 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. Procedamos a calcular: * * 0.05)10 10. Se tiene que: * * 0.4013 0 10 ( 1) 1 ( 0) 1 0.binomial de parámetros n y p=0.05)2 8 10. por experiencia. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas.0'05 =        Pη==− 2.05. Hechas estas consideraciones iniciales.0'005 10. que el 20% de las personas que reservan una mesa no asistirán.0476 2 10 ( 2) 0'05 (1 0.9984 10 ( 2) 0'05 (1 0. Esta variable sigue . procedemos a resolver el problema: 1.05 (1 0.05) 0 10 0 10. Por último: * * 1 0.

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

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

Utilizando las tablas o las funciones de Excel se pueden obtener.05 (5%) Za/2= 1. 1. En un lote de frascos para medicina.Primero habrá que obtener el valor de Z de tal forma que la confianza sea del 95%.= --------------------------. A través de un premuestreo de tamaño 35 se ha estimado que la desviación estándar es de 2 centímetros cúbicos.95. d = 0.96. buscar un valor de Z tal que P(-Z<z<Z)=0. 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. se desea estimar la media de la capacidad en centímetros cúbicos de los mismos. ¿De que tamaño debe de ser la muestra? DATOS: S = 2 cms3 . o viendo (en este caso) el ejemplo anterior. Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9. resulta que Z=1. variabilidad y error) se mantienen.25)² + (1.408.25 cms3. Si queremos tener una precisión 0. 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. con una población de 8000 unidades.96)²(2)² .96)²(2)² n = -------------. y un nivel de significancia del 5% . a = 0.96 N Z²a/2S² 8000(1.25 cms3 .= 238 frascos Nd² + Z²a/2S² 8000(0. es decir. entonces se aplicará la segunda fórmula. N = 8000 .

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

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

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

5 . 3 . Men o s d e 6 4 kg . 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 . Má s de 90 kg . 4 . 2 .qu e lo s p e so s se di stri b u ye n n o rma l men te . . 64 kg o men o s. 64 kg .

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

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

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

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->