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

binomial de parámetros n y p=0. procedemos a resolver el problema: 1. El gerente de un restaurante que sólo da servicio mediante reservas sabe.05)2 8 10. que el 20% de las personas que reservan una mesa no asistirán. Procedamos a calcular: * * 0.0'05 =        ≤ = − i −i i Pη 3. Hechas estas consideraciones iniciales.9984 10 ( 2) 0'05 (1 0.05 (1 0. Se tiene que: * * 0.05) 0 10 0 10.5987 0.0'005 10. por experiencia. ¿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. Esta variable sigue . Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas.0476 2 10 ( 2) 0'05 (1 0.05.0'05 = − =        ≥=−==−−−PηPη 2. Por último: * * 1 0.05)10 10.0'05 =        Pη==− 2.4013 0 10 ( 1) 1 ( 0) 1 0.

De estos ejemplos se puede ver que esta clase de muestreo se puede considerar cuando se trata de poblaciones indefinidamente grandes.una distribución de Bernoulli de parámetro p = 0. 2. con distribución binomial de parámetros n y p=0. 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. debe ocurrir que acudan 20 o menos. Entonces. Suponiendo que las distintas reservas son independientes entre sí. 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. de un total de n reservas (δ 1…. para aquellas personas que asistan al restaurante de las 25 que han hecho la reserva puedan disponer de una mesa.δ n).2. de acuerdo con el enunciado del ejercicio. 5 y 6). se tiene que. es menos probable que aparezca la segunda. No se podría pensar en que si el resultado fue 1 la primera vez. 4.80 m en el segundo intento? Así. hay 6 resultados posibles (digamos 1. el número de ellas que acuden finalmente al restaurante es una variable aleatoria Yn =Σ= n i1 δ 1. un muestreo de mediciones es una clase de muestreo con reemplazo. n=25. el proceso tiene lugar como si una unidad fuera reemplazada una vez que se ha sacado. hay también 6 resultados posibles.2) 0.5799 25 ( 20) 25 20 0 =−      ≤=− =Σ ii ii PY MUESTREO CON REEMPLAZO En muchos problemas de muestreo. 3. si un dado se tira. Por ejemplo. .2.80 m. Si el dado se tira por segunda vez. Así se tiene que: *0. En el caso particular del problema. Después que se obtuviera una medición 1. ¿se podría pensar que esto reduce la probabilidad de obtener 1.2 *(1 0.

µx. que sería 1. Si se quiere un porcentaje de confianza del 95%. la media de las medias de todas las muestras posibles es igual a la media de la población original. o la función DISTR. Esto quiere decir que P(-1. y así sucesivamente. x2. Consideremos una población de N elementos x1. µx. el elemento se reintegre a la población. P(-Z<z<Z)=0. es decir. De esta manera hay N posibilidades de escoger el primer elemento de la muestra. entonces hay que considerar la proporción correspondiente.95.95. se puede calcular el valor de Z. cuando el remplazo es permitido. .INV() del Excel. se desea realizar una investigación sobre los alumnos inscritos en primer y segundo años. xN a partir de la cual se seleccionan muestras de tamaño n. 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.ESTAND. Por definición. con la condición de que después de que cada elemento de la muestra se escoja. En primera instancia. En el Colegio de Bachilleres. cada elemento de la población original aparece veces. se pueden formar muestras diferentes de tamaño n a partir de una población de tamaño N. suponiendo que no se conoce el tamaño exacto de la población. Por tanto. Ahora. 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. ….96)=0.95. hasta que los n elementos se hayan seleccionado. pero con la seguridad de que ésta se encuentra cerca a los diez millares. Utilizando las tablas. En las n diferentes muestras.NORM. que es 0.95. N para el segundo. Se considerará una confianza del 95%. vamos a deducir la relación entre la media de la población original. y la media de las medias de las muestras. pues los recursos económicos y el tiempo para procesar la información resultaría insuficiente en el caso de aplicársele a la población estudiantil completa. 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.96<z<1. se aplicará la primera fórmula. para lo cual se aplicará un cuestionario de manera aleatoria a una muestra.96 (con una aproximación a dos decimales). una institución de nivel medio superior.

con una población de 8000 unidades. es decir. Utilizando las tablas o las funciones de Excel se pueden obtener. En un lote de frascos para medicina. entonces se aplicará la segunda fórmula. N = 8000 . d = 0. a = 0.408. se desea estimar la media de la capacidad en centímetros cúbicos de los mismos.96.96)²(2)² . A través de un premuestreo de tamaño 35 se ha estimado que la desviación estándar es de 2 centímetros cúbicos. y un nivel de significancia del 5% . 1. De esta manera se realiza la sustitución y se obtiene: Esto quiere decir que el tamaño de la muestra es de 385 alumnos.= --------------------------. ¿De que tamaño debe de ser la muestra? DATOS: S = 2 cms3 .05 (5%) Za/2= 1. Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9.25)² + (1. 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.= 238 frascos Nd² + Z²a/2S² 8000(0.Primero habrá que obtener el valor de Z de tal forma que la confianza sea del 95%.25 cms3 .96)²(2)² n = -------------. o viendo (en este caso) el ejemplo anterior.96 N Z²a/2S² 8000(1.95. Si queremos tener una precisión 0. buscar un valor de Z tal que P(-Z<z<Z)=0. resulta que Z=1. variabilidad y error) se mantienen.25 cms3. pero con la seguridad de que las condiciones aceptadas para la generalización (confiabilidad.

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

Por lo general. s. de esa muestra únicamente se toman como estimaciones de µx y σx. calcular la media y la desviación estándar de la distribución de las medias de las muestras.96 Z²a/2 pq n= 1500 (1.1)² + (1. para determinar la media de cada una de ellas y. x. a un ingeniero especialista en cohetes le puede interesar la variabilidad en el funcionamiento de un tipo dado de proyectil. las fórmulas anteriores permitirían calcular µx y σx directamente.96)²(0.5) Se deben de muestrear 91 niños. numerosos problemas están relacionados con la estimación de la media o la desviación estándar de una población dada. DISTRIBUCION MUESTRAL DE MEDIA En estadística. y la desviación estándar.5 (asumiendo varianza máxima). para poblaciones suficientemente grandes. por la ecuación σx = . después. En las secciones anteriores se vio que si se supone que cada muestra de tamaño n tiene la misma probabilidad de ser seleccionada. entonces la media de la distribución de las medias de la muestra es la misma que la de la población original.5)(0.5) = 91 ----------------. Za/2= 1. la desviación estándar de la distribución de las medias de la muestra. a = 5 % p = 0. o para muestreo con reemplazo. Por ejemplo. si a una empresa le puede interesar el número promedio de piezas defectuosas producidas por una cierta máquina. d = 10 % = 0.= ------------------------------d² + Z²a/2 pq 1500(0. está relacionada con la desviación estándar de la población σx. Si en una aplicación particular fuera practico seleccionar todas las posibles muestras de tamaño n. la media y la . Aún más.N = 1500 . σx.5)(0. sino únicamente una de ellas. este procedimiento no es práctico. apartir del estudio de una muestra de tamaño n.5 y q = 0.1 . µx = µx.96)²(0. Lo que comúnmente se hace es no estudiar todas las muestras de tamaño n. La media.

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 . Má s d e 9 0 kg . y la desviación estándar s.desviación estándar que corresponden a la población original. es 3. Puesto que µx = µx y σx = las estimaciones para µx y σx son x y respectivamente. 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 n ie n d o . 6 4 kg o me n o s. 5 . 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 .5. Utilizando x y s como estimaciones de µx y σx. E n tre 6 0 kg y 65 kg . Aún más. 2 . 6 4 kg .5 cm. (al cm más próximo). 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. 4 . 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 . 3 . aproximadamente. 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.

64 kg . 2 . ha l la r cu án to s e s tud i a n te s pe sa n : 1 . 5 .Má s de 90 kg .64 kg o men o s. 4 . 3 .qu e lo s p e so s se di stri b u ye n n o rma l men te . E n tre 6 0 kg y 65 kg . .Men o s d e 6 4 kg .

co n me d i a 23 ° y de svi a ció n típ i ca 5° . . 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. = 0 si la falla ocurre en la i-ésima repetición.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 ° . 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 ° . 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 .

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

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

Sign up to vote on this title
UsefulNot useful