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

05)10 10.0'05 =        Pη==− 2.5987 0.05) 0 10 0 10. ¿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 = − =        ≥=−==−−−PηPη 2. El gerente de un restaurante que sólo da servicio mediante reservas sabe.0'005 10.0476 2 10 ( 2) 0'05 (1 0. Procedamos a calcular: * * 0.binomial de parámetros n y p=0. que el 20% de las personas que reservan una mesa no asistirán. por experiencia. Esta variable sigue .05)2 8 10. Hechas estas consideraciones iniciales. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas.4013 0 10 ( 1) 1 ( 0) 1 0.9984 10 ( 2) 0'05 (1 0.05 (1 0. Se tiene que: * * 0.05. procedemos a resolver el problema: 1.0'05 =        ≤ = − i −i i Pη 3. Por último: * * 1 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. hay 6 resultados posibles (digamos 1. 5 y 6). con distribución binomial de parámetros n y p=0. Si el dado se tira por segunda vez. ¿se podría pensar que esto reduce la probabilidad de obtener 1. de un total de n reservas (δ 1…. De estos ejemplos se puede ver que esta clase de muestreo se puede considerar cuando se trata de poblaciones indefinidamente grandes. No se podría pensar en que si el resultado fue 1 la primera vez. . debe ocurrir que acudan 20 o menos. 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. es menos probable que aparezca la segunda. 3.una distribución de Bernoulli de parámetro p = 0. si un dado se tira. el proceso tiene lugar como si una unidad fuera reemplazada una vez que se ha sacado. hay también 6 resultados posibles.80 m en el segundo intento? Así.δ n). 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.80 m. Suponiendo que las distintas reservas son independientes entre sí. de acuerdo con el enunciado del ejercicio. se tiene que.2.2. un muestreo de mediciones es una clase de muestreo con reemplazo. n=25.2) 0. En el caso particular del problema. Entonces.5799 25 ( 20) 25 20 0 =−      ≤=− =Σ ii ii PY MUESTREO CON REEMPLAZO En muchos problemas de muestreo. para aquellas personas que asistan al restaurante de las 25 que han hecho la reserva puedan disponer de una mesa.2 *(1 0. 4. Por ejemplo. 2. Así se tiene que: *0.

En el teorema 6-1 hemos demostrado que en el caso de muestras sin reemplazo. De esta manera hay N posibilidades de escoger el primer elemento de la muestra.INV() del Excel. En las n diferentes muestras. En primera instancia. 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 definición. Por tanto. µx. hasta que los n elementos se hayan seleccionado. suponiendo que no se conoce el tamaño exacto de la población. se puede calcular el valor de Z. y así sucesivamente. que es 0. xN a partir de la cual se seleccionan muestras de tamaño n.96 (con una aproximación a dos decimales). x2. el elemento se reintegre a la población. se desea realizar una investigación sobre los alumnos inscritos en primer y segundo años. la media de las medias de todas las muestras posibles es igual a la media de la población original. cuando el remplazo es permitido. …. Si se quiere un porcentaje de confianza del 95%.ESTAND. Un resultado semejante se cumple para la muestras con reemplazo. En el Colegio de Bachilleres. P(-Z<z<Z)=0. una institución de nivel medio superior. 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. pues los recursos económicos y el tiempo para procesar la información resultaría insuficiente en el caso de aplicársele a la población estudiantil completa.95. se aplicará la primera fórmula. es decir. o la función DISTR. que sería 1. y la media de las medias de las muestras.96<z<1. cada elemento de la población original aparece veces. con la condición de que después de que cada elemento de la muestra se escoja. µx. Esto quiere decir que P(-1.96)=0.95. N para el segundo. pero con la seguridad de que ésta se encuentra cerca a los diez millares. vamos a deducir la relación entre la media de la población original. . Ahora. se pueden formar muestras diferentes de tamaño n a partir de una población de tamaño N.NORM. para lo cual se aplicará un cuestionario de manera aleatoria a una muestra. Se considerará una confianza del 95%. Utilizando las tablas.95. Consideremos una población de N elementos x1.

Si queremos tener una precisión 0. pero con la seguridad de que las condiciones aceptadas para la generalización (confiabilidad. variabilidad y error) se mantienen.96.95. Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9.= --------------------------. Utilizando las tablas o las funciones de Excel se pueden obtener.25)² + (1.25 cms3 . N = 8000 .408. con una población de 8000 unidades. es decir. En un lote de frascos para medicina. o viendo (en este caso) el ejemplo anterior.05 (5%) Za/2= 1. se desea estimar la media de la capacidad en centímetros cúbicos de los mismos. resulta que Z=1.96 N Z²a/2S² 8000(1. 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. ¿De que tamaño debe de ser la muestra? DATOS: S = 2 cms3 . a = 0.96)²(2)² n = -------------. y un nivel de significancia del 5% .96)²(2)² . d = 0. entonces se aplicará la segunda fórmula. 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. buscar un valor de Z tal que P(-Z<z<Z)=0.= 238 frascos Nd² + Z²a/2S² 8000(0. 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%.

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

para poblaciones suficientemente grandes. para determinar la media de cada una de ellas y. En las secciones anteriores se vio que si se supone que cada muestra de tamaño n tiene la misma probabilidad de ser seleccionada.96 Z²a/2 pq n= 1500 (1. µx = µx. la desviación estándar de la distribución de las medias de la muestra. y la desviación estándar. Lo que comúnmente se hace es no estudiar todas las muestras de tamaño n.5)(0. calcular la media y la desviación estándar de la distribución de las medias de las muestras. por la ecuación σx = . después. la media y la . si a una empresa le puede interesar el número promedio de piezas defectuosas producidas por una cierta máquina.5 y q = 0. σx. Za/2= 1. a = 5 % p = 0.96)²(0. d = 10 % = 0.5) = 91 ----------------. s. entonces la media de la distribución de las medias de la muestra es la misma que la de la población original. está relacionada con la desviación estándar de la población σx.1)² + (1.= ------------------------------d² + Z²a/2 pq 1500(0. apartir del estudio de una muestra de tamaño n. x. las fórmulas anteriores permitirían calcular µx y σx directamente. Por ejemplo. DISTRIBUCION MUESTRAL DE MEDIA En estadística. Por lo general.N = 1500 . numerosos problemas están relacionados con la estimación de la media o la desviación estándar de una población dada. sino únicamente una de ellas. a un ingeniero especialista en cohetes le puede interesar la variabilidad en el funcionamiento de un tipo dado de proyectil.5)(0. o para muestreo con reemplazo. este procedimiento no es práctico.5) Se deben de muestrear 91 niños. Aún más.1 .96)²(0. Si en una aplicación particular fuera practico seleccionar todas las posibles muestras de tamaño n. de esa muestra únicamente se toman como estimaciones de µx y σx. La media.5 (asumiendo varianza máxima).

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

E n tre 6 0 kg y 65 kg . 2 . 4 .qu e lo s p e so s se di stri b u ye n n o rma l men te . . 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 . 3 .Má s de 90 kg .64 kg o men o s.64 kg .

TEOREMA DEL LIMITE CENTRAL La aproximación anterior representa sólo un caso especial de un resultado general. 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 . 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 ° .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 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 ° . . A fin de verificar esto. = 0 si la falla ocurre en la i-ésima repetición.

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

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

Sign up to vote on this title
UsefulNot useful