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

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.0'05 =        Pη==− 2.binomial de parámetros n y p=0.5987 0.05. por experiencia.05)10 10. procedemos a resolver el problema: 1. El gerente de un restaurante que sólo da servicio mediante reservas sabe.9984 10 ( 2) 0'05 (1 0.4013 0 10 ( 1) 1 ( 0) 1 0.0476 2 10 ( 2) 0'05 (1 0.0'05 = − =        ≥=−==−−−PηPη 2.05) 0 10 0 10.05 (1 0.05)2 8 10.0'05 =        ≤ = − i −i i Pη 3. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas.0'005 10. Hechas estas consideraciones iniciales. Procedamos a calcular: * * 0. Se tiene que: * * 0. Esta variable sigue . que el 20% de las personas que reservan una mesa no asistirán.

Así se tiene que: *0. 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. se tiene que. hay también 6 resultados posibles. de un total de n reservas (δ 1…. 2. Suponiendo que las distintas reservas son independientes entre sí.80 m.2) 0. No se podría pensar en que si el resultado fue 1 la primera vez. el proceso tiene lugar como si una unidad fuera reemplazada una vez que se ha sacado. Entonces. Por ejemplo. el número de ellas que acuden finalmente al restaurante es una variable aleatoria Yn =Σ= n i1 δ 1. 5 y 6). si un dado se tira. hay 6 resultados posibles (digamos 1.5799 25 ( 20) 25 20 0 =−      ≤=− =Σ ii ii PY MUESTREO CON REEMPLAZO En muchos problemas de muestreo.2. un muestreo de mediciones es una clase de muestreo con reemplazo.2.δ n). Después que se obtuviera una medición 1. Si el dado se tira por segunda vez.una distribución de Bernoulli de parámetro p = 0. 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. 3.80 m en el segundo intento? Así. con distribución binomial de parámetros n y p=0. En el caso particular del problema. ¿se podría pensar que esto reduce la probabilidad de obtener 1.2 *(1 0. De estos ejemplos se puede ver que esta clase de muestreo se puede considerar cuando se trata de poblaciones indefinidamente grandes. debe ocurrir que acudan 20 o menos. es menos probable que aparezca la segunda. 4. para aquellas personas que asistan al restaurante de las 25 que han hecho la reserva puedan disponer de una mesa. de acuerdo con el enunciado del ejercicio. .

vamos a deducir la relación entre la media de la población original. el elemento se reintegre a la población. o la función DISTR. N para el segundo.96)=0. entonces hay que considerar la proporción correspondiente. Ahora. 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. 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. es decir. De esta manera hay N posibilidades de escoger el primer elemento de la muestra. Utilizando las tablas. En primera instancia. que es 0. Consideremos una población de N elementos x1. con la condición de que después de que cada elemento de la muestra se escoja. cada elemento de la población original aparece veces. Por tanto. para lo cual se aplicará un cuestionario de manera aleatoria a una muestra.96<z<1. Esto quiere decir que P(-1.ESTAND. 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. µx.95. En el Colegio de Bachilleres. y la media de las medias de las muestras. Por definición. …. la media de las medias de todas las muestras posibles es igual a la media de la población original. se desea realizar una investigación sobre los alumnos inscritos en primer y segundo años. En las n diferentes muestras.NORM.INV() del Excel. se puede calcular el valor de Z.95. se pueden formar muestras diferentes de tamaño n a partir de una población de tamaño N. xN a partir de la cual se seleccionan muestras de tamaño n. cuando el remplazo es permitido. y así sucesivamente. una institución de nivel medio superior. Si se quiere un porcentaje de confianza del 95%. µx.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. Se considerará una confianza del 95%.95. P(-Z<z<Z)=0. pero con la seguridad de que ésta se encuentra cerca a los diez millares. . que sería 1. hasta que los n elementos se hayan seleccionado.96 (con una aproximación a dos decimales). x2.

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

2. En un estudio. se desea determinar en que proporción los niños de una región toman incaparina en el desayuno. de los cuales 27 resultaron como no retrasados para la vacuna. 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. Cullen (1994) realizo una muestra de los 580 niños a los que da servicio una clínica familiar.Solo faltaría muestrear 203 frascos. Sin embargo. Algunas clínicas examinan cada registro para determinar el porcentaje.10 . en una clínica grande. de interés para una clínica es el porcentaje de pacientes retrasados para su vacunación. con un nivel de significancia del 5%. DATOS: N = 580 Niños En realidad. en Auckland para estimar la proporción de interés. Solución: 3. Si se sabe que existen 1. De un intervalo de confianza al 95% para la proporción de niños no retrasados. la realización de un censo de los registros puede llevar mucho tiempo. Una cantidad. Cullen realizo una muestra aleatoria simple con reemplazo de tamaño 120.500 niños y deseamos tener una precisión del 10 porciento. pues los datos de los 35 frascos del premuestreo siguen siendo válidos. De que tamaño debe de ser la muestra? DATOS: . con frecuencia.

después. d = 10 % = 0. x.5) Se deben de muestrear 91 niños. Por lo general.5)(0. entonces la media de la distribución de las medias de la muestra es la misma que la de la población original.96)²(0. y la desviación estándar. la desviación estándar de la distribución de las medias de la muestra. La media.5) = 91 ----------------. Lo que comúnmente se hace es no estudiar todas las muestras de tamaño n.1 . numerosos problemas están relacionados con la estimación de la media o la desviación estándar de una población dada. σx. para poblaciones suficientemente grandes. Za/2= 1. DISTRIBUCION MUESTRAL DE MEDIA En estadística. este procedimiento no es práctico. s.5 y q = 0.96 Z²a/2 pq n= 1500 (1. En las secciones anteriores se vio que si se supone que cada muestra de tamaño n tiene la misma probabilidad de ser seleccionada. a = 5 % p = 0. o para muestreo con reemplazo. calcular la media y la desviación estándar de la distribución de las medias de las muestras. por la ecuación σx = . para determinar la media de cada una de ellas y. las fórmulas anteriores permitirían calcular µx y σx directamente. apartir del estudio de una muestra de tamaño n. a un ingeniero especialista en cohetes le puede interesar la variabilidad en el funcionamiento de un tipo dado de proyectil.= ------------------------------d² + Z²a/2 pq 1500(0.N = 1500 .5 (asumiendo varianza máxima). Si en una aplicación particular fuera practico seleccionar todas las posibles muestras de tamaño n. sino únicamente una de ellas. µx = µx. Aún más. de esa muestra únicamente se toman como estimaciones de µx y σx. Por ejemplo. si a una empresa le puede interesar el número promedio de piezas defectuosas producidas por una cierta máquina.5)(0. está relacionada con la desviación estándar de la población σx. la media y la .96)²(0.1)² + (1.

S up o n ie n d o . 5 . podemos decir que la desviación estándar de las alturas respecto a la media es. 3 .5. 4 . es 3.5 cm. En seguida se ilustra el procedimiento de estimación con un ejemplo. y la desviación estándar s. 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 . Me n o s de 64 kg . Má s d e 9 0 kg . aproximadamente. (al cm más próximo). Puesto que µx = µx y σx = las estimaciones para µx y σx son x y respectivamente. Aún más. Se escoge una muestra aleatoria de 36 niños de una guardería infantil. 2 . E n tre 6 0 kg y 65 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 . 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 . 6 4 kg o me n o s. 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. 6 4 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 . 3.desviación estándar que corresponden a la población original.

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

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 ° . A fin de verificar esto. = 0 si la falla ocurre en la i-ésima repetición. 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 . co n me d i a 23 ° y de svi a ció n típ i ca 5° . TEOREMA DEL LIMITE CENTRAL La aproximación anterior representa sólo un caso especial de un resultado general.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 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 ° .

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

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

Sign up to vote on this title
UsefulNot useful