1

2

INDICE
Pg.
1. DISTRIBUCIN DE MUESTREO.
1.1. Definicin.
1.2. Tipos de Distribucin de muestreo.
1.3. Como se Construye empricamente una Distribucin
Muestral.

4
2. Efectos de los Parmetros de la Poblacin Sobre una
Distribucin de Muestreo.
5
3. Efectos del Tamao de una Muestra Sobre una
Distribucin de Muestreo.
3.1. Tamao de Muestras para Estimar la Media de la
Poblacin.
6
3.2. Tamao de Muestra para Estimar la proporcin de la
Poblacin.
7
3.3. Limite Central. 11
4. Distribucin de Proporciones Muestrales. 13
5. Distribucin del Muestreo del Nmero de Ocurrencias. 14
6. Muestreo en Poblaciones Finitas. 15
7. La estimacin Estadstica. 16
7.1. Mtodo de Mxima Verosimilitud. 20
Intervalo de Confianza 23
CONCLUSIONES 24
BIBLIOGRAFA. 25


3

INTRODUCCIN

El principal objetivo de la mayora de los estudios, anlisis o
investigaciones, es realizar generalizaciones acertadas con base en
muestras de poblaciones de las que se derivan tales muestras. No es fcil
responder cundo y en qu condiciones las muestras permiten tales
generalizaciones, por eso el tamao de las muestras, las estimaciones,
errores, riesgos entre otros, deben ser considerarse al iniciarse una
investigacin.

En la mayor parte de los tpicos de muestreo que estudiaremos,
supondremos que estamos manejando las llamadas muestras aleatorias . Se
hace nfasis en las muestra aleatorias porque son las que nos van a permitir
generalizaciones vlidas o lgicas. As mismo el nivel de confianza de la
probabilidad de que el intervalo construido en torno a un estadstico capte el
verdadero valor del parmetro en estudio.

El muestro, implica algo de incertidumbre que debe ser aceptada para
poder realizar el trabajo, debido a que estudiar una poblacin resulta ser un
trabajo en ocasiones demasiado grande de all la importancia del estudio.

4

DISTRIBUCIONES DE MUESTREO

1. DISTRIBUCION DE MUESTREO

1.1. DEFINICIN
La distribucin de todos los valores posibles que puede asumir un
estadstico muestral, calculados a partir de muestras del mismo tamao y
extrado en forma aleatoria de la misma poblacin, se llama distribucin
muestral de ese estadstico.
La distribucin por muestreo de un estadstico muestral es la distribucin
de probabilidad del mismo, calculado en cada una de las muestras posibles
extradas aleatoriamente de la poblacin.

1.2. TIPOS DE DISTRIBUCIONES MUESTRALES
Distribucin de la media ( X )
Distribucin de la varianza ( S
2
)
Distribucin de la proporcin ( p )
Distribucin de la diferencia de medias ( 2 1 X X )
Distribucin de la diferencia proporciones (
2
p p )
Distribucin del cociente de varianzas (
2
2
2
1
S
S
)

1.3. CMO SE CONSTRUYE EMPRICAMENTE UNA DISTRIBUCIN
MUESTRAL?
1. De una poblacin finita de tamao N, se extraen al azar todas las
muestras posibles (K) de igual tamao n.
2. Se calcula el estadstico muestral de inters para cada muestra.
5

3. Se organizan y presentan los valores del estadstico muestral
calculados en una tabla de distribucin de probabilidad.


2. EFECTOS DE LOS PARAMETROS DE POBLACION SOBRE UNA
DISTRIBUCION DE MUESTREO

Existen ocasiones en las cuales no estamos interesados en la media de la
muestra, sino que se quiere investigar la proporcin de artculos defectuosos
o la proporcin de alumnos reprobados en la muestra. La distribucin
muestral de proporciones es la adecuada para dar respuesta a estas
situaciones. Esta distribucin se genera de igual manera que la distribucin
muestral de medias, a excepcin de que al extraer las muestras de la
poblacin se calcula el estadstico proporcin (p=x/n en donde "x" es el
nmero de xitos u observaciones de inters y "n" el tamao de la muestra)
en lugar del estadstico media.
La distribucin muestral de proporciones est estrechamente relacionada
con la distribucin binomial; una distribucin binomial es una distribucin del
total de xitos en las muestras, mientras que una distribucin de
proporciones es la distribucin de un promedio (media) de los xitos. Como
consecuencia de esta relacin, las afirmaciones probabilsticas referentes a
la proporcin muestral pueden evaluarse usando la aproximacin normal a la
binomial, siempre que:

np5y n(1-p) 5


6

3. EFECTOS DEL TAMAO DE UNA MUESTRA SOBRE UNA
DISTRIBUCION DE MUESTREO. LMITE CENTRAL.
Para el Clculo del tamao de la muestra. Que debe alcanzar una
muestra?, hay que tomar en cuenta varios factores, el tipo de muestreo, el
parmetro a estimar, el error muestral admisible, la varianza poblacional y el
nivel de confianza. Por ello se deben delimitar estos factores.

3.1. TAMAO DE MUESTRA PARA ESTIMAR LA MEDIA DE LA
POBLACIN.

Los pasos necesarios para determinar el tamao de una muestra
empleando el muestreo aleatorio simple. Para ello es necesario partir de dos
supuestos: en primer lugar el nivel de confianza al que queremos trabajar; en
segundo lugar, cual es el error mximo que estamos dispuestos a admitir en
nuestra estimacin. As pues los pasos a seguir son:

Obtener el tamao muestral imaginando que n , siendo
2 /
Z
o
el Z con
el valor del nivel de confianza elegido,
2
o varianza poblacional y e el error
mximo
2
2 2
2 /
e
Z
n
o
=
o
o aplicar
( ) n / n 1
n
n

+
=

Para obtener el tamao de la muestra si hay grandes diferencias en el
tamao muestral o hay escasez de informacin

Ejemplo, Una poblacin a encuestar tiene 10000 personas y una varianza de
9.648. Trabajando con un nivel de confianza de 0.95 y estando dispuestos a
7

admitir un error mximo del 10%, cul debe ser el tamao muestral para
trabajar?
En las tablas de la curva Normal el valor de
2 /
Z

que corresponde con el

nivel de confianza elegido, 96 . 1 Z
2 /

o

706 . 3 1 . 0 / 648 . 9 96 . 1 n
2 2
= =

Comprobamos que no se cumple, pues en este caso 10.000 < 3.706
(3.706 - 1); 10.000 < 13.730.730, por tanto, usamos
704 . 2 )) 000 . 10 / 706 . 3 ( 1 /( 706 . 3 n = + =

3.2. TAMAO DE MUESTRA PARA ESTIMAR LA PROPORCIN DE LA
POBLACIN.

Para calcular el tamao de muestra para la estimacin de proporciones en
las poblaciones hemos de tener en cuenta los mismos factores que en el
caso de la media. La frmula que nos permitir determinar el tamao
muestral es la siguiente,
) P 1 ( P Z e ) 1 N (
) P 1 ( P Z N
n
2
2 /
2
2
2 /
- - + -
- - -
=
o
o


Donde,
2 /
Z
o
correspondiente al Z con el nivel de confianza elegido, P es
la proporcin de una categora de la variable, e es el error mximo, y N es el
tamao de la poblacin.

Una parte fundamental para realizar un estudio estadstico de cualquier
tipo es obtener unos resultados confiables y que puedan ser aplicables,
resulta casi imposible o imprctico llevar a cabo algunos estudios sobre toda
una poblacin, por lo que la solucin es realizarlo basndose en un
8

subconjunto de sta denominada muestra. Sin embargo, para que tengan la
validez y confiabilidad buscada es necesario que tal subconjunto de datos, o
muestra, posea algunas caractersticas especficas que permitan, al final,
generalizar los resultados hacia la poblacin en total.

Las caractersticas tienen que ver principalmente con el tamao de la
muestra y con la manera de obtenerla. El muestro, implica algo de
incertidumbre que debe ser aceptada para poder realizar el trabajo, debido a
que estudiar una poblacin resulta ser un trabajo en ocasiones demasiado
grande, se ofrecen las siguientes razones extras:

- Recursos limitados. Es decir, no existen los recursos humanos,
materiales o econmicos para realizar el estudio sobre el total de la
poblacin

- Escasez. Es el caso en que se dispone de una sola muestra.

- Pruebas destructivas. Es el caso en el que realizar el estudio sobre toda
la poblacin llevara a la destruccin misma de la poblacin.

- El muestreo puede ser ms exacto. Esto es en el caso en el que el
estudio sobre la poblacin total puede causar errores por su tamao o, en
el caso de los censos, que sea necesario utilizar personal no lo
suficientemente capacitado; mientras que, por otro lado, el estudio sobre
una muestra podra ser realizada con menos personal pero ms
capacitado.

Para calcular el tamao de una muestra hay que tomar en cuenta tres
factores:
9

- El porcentaje de confianza con el cual se quiere generalizar los datos
desde la muestra hacia la poblacin total.
- El porcentaje de error que se pretende aceptar al momento de hacer la
generalizacin.
- El nivel de variabilidad que se calcula para comprobar la hiptesis.

La confianza o el porcentaje de confianza es el porcentaje de seguridad
que existe para generalizar los resultados obtenidos. Esto quiere decir que
un porcentaje del 100% equivale a decir que no existe ninguna duda para
generalizar tales resultados, pero tambin implica estudiar a la totalidad de
los casos de la poblacin. Para evitar un costo muy alto para el estudio o
debido a que en ocasiones llega a ser prcticamente imposible el estudio de
todos los casos, entonces se busca un porcentaje de confianza menor.
Comnmente en las investigaciones sociales se busca un 95%.

El error o porcentaje de error equivale a elegir una probabilidad de
aceptar una hiptesis que sea falsa como si fuera verdadera, o la inversa:
rechazar a hiptesis verdadera por considerarla falsa. Al igual que en el caso
de la confianza, si se quiere eliminar el riesgo del error y considerarlo como
0%, entonces la muestra es del mismo tamao que la poblacin, por lo que
conviene correr un cierto riesgo de equivocarse. Comnmente se aceptan
entre el 4% y el 6% como error, tomando en cuenta de que no son
complementarios la confianza y el error.

La variabilidad es la probabilidad (o porcentaje) con el que se acept y se
rechaz la hiptesis que se quiere investigar en alguna investigacin anterior
o en un ensayo previo a la investigacin actual. El porcentaje con que se
acept tal hiptesis se denomina variabilidad positiva y se denota por p, y
el porcentaje con el que se rechaz se la hiptesis es la variabilidad
10

negativa, denotada por q. Hay que considerar que p y q son
complementarios, es decir, que su suma es igual a la unidad: p+q=1. Cuando
se habla de la mxima variabilidad, en el caso de no existir antecedentes
sobre la investigacin (no hay otras o no se pudo aplicar una prueba previa),
entonces los valores de variabilidad es p=q=0.5.

Determinados estos tres factores, entonces se puede calcular el tamao
de la muestra. Para una poblacin de alrededor de 10.000 casos, o
mnimamente esa cantidad, podemos pensar en la manera de calcular el
tamao de la muestra a travs de las siguientes frmulas. Las frmulas se
pueden aplicar de manera aceptable pensando en instrumentos que no
incluyan preguntas abiertas y que sean un total de alrededor de 30.

Se presentan dos frmulas, siendo la primera la que se aplica en el caso de
que no se conozca con precisin el tamao de la poblacin, y es:
2
2
e
pq z
n =
Donde, n es el tamao de la muestra; z es el nivel de confianza; p es la
variabilidad positiva; q es la variabilidad negativa; y e es la precisin o error.

Ejemplo: Si se quiere un porcentaje de confianza del 95%, entonces hay que
considerar la proporcin correspondiente, que es 0.95. Lo que se buscara en
seguida es el valor z para la variable aleatoria z tal que el rea simtrica bajo
la curva normal desde -zhasta z sea igual a 0.95, es decir, P(-z<Z<z)=0.95.

Utilizando las tablas de la funcin de distribucin Normal se puede calcular
el valor de z, que sera 1.96 (con una aproximacin a dos decimales). Quiere
decir que
P(-1.96<Z<1.96)=0.95.
11

En el caso de que s se conozca el tamao de la poblacin entonces se
aplica
pq z Ne
pqN z
n
2 2
2
+
=

Donde, n es el tamao de la muestra; z es el nivel de confianza; p es la
variabilidad positiva; q es la variabilidad negativa; y e es la precisin o error.

Ejemplo: Un Colegio desea realizar una investigacin sobre los alumnos
inscritos en primer y segundo aos, para lo cual se aplicar un cuestionario
de manera aleatoria a una muestra, pues los recursos econmicos y el
tiempo para procesar la informacin resultara insuficiente en el caso de
aplicrsele a la poblacin estudiantil completa. En primera instancia,
suponiendo que no se conoce el tamao exacto de la poblacin, pero con la
seguridad de que sta se encuentra cerca a los diez millares, se aplicar la
primera frmula.

Se considerar una confianza del 95%, un porcentaje de error del 5% y la
mxima variabilidad por no existir antecedentes en la institucin sobre la
investigacin y porque no se puede aplicar una prueba previa. Primero habr
que obtener el valor de Z de tal forma que la confianza sea del 95%, es decir,
buscar un valor de Z tal que P(-z<Z<z)=0.95. Entonces, z=1.96. Resultando,
n=384.16

3.3. CENTRAL DEL LMITE
El Teorema Central del Lmite dice que si tenemos un grupo numeroso de
variables independientes y todas ellas siguen el mismo modelo de
12

distribucin (cualquiera que ste sea), la suma de ellas se distribuye segn
una distribucin normal.
Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de
Bernouilli. Si lanzamos la moneda al aire 50 veces, la suma de estas 50
variables (cada una independiente entre s) se distribuye segn una
distribucin normal.
Este teorema se aplica tanto a suma de variables discretas como de
variables continuas.
Los parmetros de la distribucin normal son:
Media: n * m (media de la variable individual multiplicada por el nmero de
variables independientes)
Varianza: n * s2 (varianza de la variable individual multiplicada por el nmero
de variables individuales)
Por ejemplo:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si
sale cruz el valor 0. Cada lanzamiento es una variable independiente que se
distribuye segn el modelo de Bernouilli, con media 0,5 y varianza 0,25.
Calcular la probabilidad de que en estos 100 lanzamientos salga ms de 60
caras.
La variable suma de estas 100 variables independientes se distribuye, por
tanto, segn una distribucin normal.
Media = 100 * 0,5 = 50
13

Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos la
variable normal tipificada equivalente:

(*) 5 es la raiz cuadrada de 25, o sea la desviacin tpica de esta distribucin
Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salga ms de
60 caras es tan slo del 2,28%

4.- DISTRIBUCION DE PROPORCIONES MUESTRALES

Existen ocasiones en las cuales no estamos interesados en la media de la
muestra, sino que se quiere investigar la proporcin de artculos defectuosos
o la proporcin de alumnos reprobados en la muestra. La distribucin
muestral de proporciones es la adecuada para dar respuesta a estas
situaciones. Esta distribucin se genera de igual manera que la distribucin
muestral de medias, a excepcin de que al extraer las muestras de la
poblacin se calcula el estadstico proporcin (p=x/n en donde "x" es el
nmero de xitos u observaciones de inters y "n" el tamao de la muestra)
en lugar del estadstico media.
14



Una poblacin binomial est estrechamente relacionada con la
distribucin muestral de proporciones; una poblacin binomial es una
coleccin de xitos y fracasos, mientras que una distribucin muestral de
proporciones contiene las posibilidades o proporciones de todos los nmeros
posibles de xitos en un experimento binomial, y como consecuencia de esta
relacin, las afirmaciones probabilsticas referentes a la proporcin muestral
pueden evaluarse usando la aproximacin normal a la binomial, siempre que
np 5y n(1-p) 5. Cualquier evento se puede convertir en una proporcin si
se divide el nmero obtenido entre el nmero de intentos.

5.- DISTRIBUCIONES DE MUESTREO DEL NMERO DE OCURRENCIAS
Esta distribucin comprende el uso de tablas binominales para
probabilidades deseadas, cuando el tamao de la muestra es menor a 30 y
se puede aproximar mediante la distribucin normal para tamaos grandes
de muestras. La diferencia entre la distribucin de proporciones, es que sta
15

tiene valores enunciados como porcentajes, en tanto que, la distribucin de
muestreo para el nmero de ocurrencias, tiene valores enunciados como
conteos. Esta distribucin puede ocurrir, siempre y cuando se cuente con dos
poblaciones, de las que se tengan claramente diferenciados: el tamao de la
muestra, la media y la desviacin tpica, extradas de cada una de las dos
poblaciones.
6.- MUESTREO EN POBLACIONES FINITAS.
El muestreo en poblaciones finitas o encuesta por muestreo consiste en la
seleccin de una parte de los elementos de una poblacin estadstica ( ),
con el objetivo de sacar conclusiones de dicha poblacin.
Por lo tanto una poblacin es un conjunto de elementos, los cuales se
numeran de 1 a , por lo tanto:
, cada elemento posee un valor asociado a la
variable de inters .

El objetivo es estimar el total de la variable o sea:
, donde indica la suma en toda la poblacin ( )
o la media poblacional de dicha variable.

por lo tanto el estimador HT para la variable es:
16


donde es el inverso de la probabilidad de inclusin del elemento en la
muestra.

7. LA ESTIMACIN ESTADSTICA
En trminos bastante descriptivos, se define la Estimacin estadstica
como un proceso que permite decir algo de los hechos poblacionales
(parmetros), utilizando para ello la informacin proporcionada por una(s)
muestra(s) seleccionada(s) de la poblacin de inters, generalmente por
mtodos aleatorios.
A la funcin de los valores muestrales que les permite decir algo del
hecho poblacional, se le denomina el estimador, y corresponde con las
medidas que se presentaron inicialmente con el nombre de estadsticas o
estadgrafos. Por ser funcin de tales valores, que dependen del azar, todo
estimador se constituye en una variable aleatoria. Por tal razn, el problema
de la estimacin consiste en hacer inferencias acerca de la distribucin
poblacional, el valor de parmetros, la existencia y la forma de relacin entre
caractersticas de la poblacin. Segn la informacin utilizada para hacer
tales inferencias, la contenida en los datos muestrales o la obtenida a priori,
se tendr, en el primer caso, la estimacin clsica, y en el segundo caso, la
estimacin bayesiana.
Para que el proceso sea vlido, los estimadores deben poseer una serie
de caractersticas o propiedades relacionadas con tal validez, que son
conocidas como propiedades deseables de un buen estimador, tales como el
insesgamiento, la eficiencia, la suficiencia, propiedades que le sern propias
17

al estimador, no as a alguna estimacin que con l se haga en alguna
instancia particular.
Como se ha insistido en que de una poblacin es factible seleccionar
muchas muestras de un tamao determinado, aunque para un parmetro
exista un solo estimador, se podrn realizar muchas estimaciones de aquel.
No obstante, en las aplicaciones prcticas, por lo general, slo se hace una;
pero es importante tener muy presente este aspecto conceptual y referirse
entonces a una estimacin, lo cual deja implcito que existen muchas ms.
La teora dice, por ejemplo, que un estimador toma valores que tienden a
agruparse alrededor del parmetro que estima, pero, a no ser que se
conozca el valor de tal parmetro, no se sabr, por lo menos en primera
instancia, si una estimacin est cerca o lejos de dicho valor.
De forma similar, no se podr conocer cul fue exactamente el error que
una estimacin tuvo con respecto al parmetro, pero la teora proporciona
formas de establecer, por lo menos en promedio, qu tan grande pudo ser el
error.
Es conveniente, por tanto, recalcar la diferencia conceptual entre la
estimacin estadstica, el estimador de un parmetro y una estimacin que
se haga de ste.
PROPIEDADES DE UN ESTIMADOR
De acuerdo con lo discutido en el literal anterior, ante la imposibilidad de
saber si una estimacin en particular es buena o no, la teora estadstica
provee al investigador de una serie de procedimientos para generar
estimadores que posean propiedades de bondad que garanticen, de alguna
18

forma, la posibilidad de mente probabilstica, lo cual implica utilizar
procedimientos que siempre estn enmarcados por la incertidumbre. Se citan
a continuacin, prescindiendo bastante de su presentacin formal, algunas
propiedades deseables que debe poseer un buen estimador.
Estimador Insesgamiento o Sin Vicio: tambin conocida como
imparcialidad, se refiere a que la variable estimador para ser insesgada o
imparcial, debe tomar valores que tiendan a agruparse alrededor del valor del
parmetro que se estima. En otras palabras, el valor esperado del
estimador debe ser igual al parmetro que se estima. Simblicamente:
E(T) =
Donde T es la estadstica estimador y theta el parmetro a estimar.
Es conveniente hacer hincapi en que el insesgamiento es del parmetro
y que no tiene ningn sentido hablar de que una estimacin sea insesgada o
no.
Lo que produce el insesgamiento de un estimador es cierta confianza en
el hecho de que si la variable estimador tiende a tomar valores cercanos al
estimado, en una estimacin particular es de esperar que ella corresponda a
alguno de stos.
Estimador Eficiente: Diremos que un estimador es ms eficiente o ms
preciso que otro estimador, si la varianza del primero es menor que la del
segundo. Por ejemplo, si y son ambos estimadores de y

19

diremos que es ms eficiente que . Un estimador es ms eficiente (ms
preciso), por tanto, cuanto menor es su varianza.
La eficiencia de los estimadores est limitada por las caractersticas de la
distribucin de probabilidad de la muestra de la que proceden. El teorema de
Cramr-Rao determina que la varianza de un estimador insesgado de un
parmetro es, como mnimo,

donde es la funcin de densidad de probabilidad de la muestra
en funcin del parmetro , (denominada funcin
de verosimilitud). Si un estimador insesgado alcanza esta cota mnima,
entonces se dice que el estimador es de mnima varianza dentro de los
estimadores insesgados, pudiendo existir estimadores sesgados con
varianza menor.

Estimador Suficiencia: implica que el estimador slo requiere, para el
proceso de estimacin, de la informacin proporcionada por la muestra. Es
decir, esta ltima le es suficiente para hacer la estimacin y no requiere de
algo ms.
Esta propiedad, de una evidencia intuitiva muy simple, no tiene una
formulacin formal sencilla para presentar en estas notas. A grandes rasgos,
podra decirse que si es posible descomponer la funcin de verosimilitud de
una muestra, en el producto de una funcin del estimador condicionada al
20

parmetro, por una funcin de los solos valores muestrales, el estimador es
suficiente.

7.1. METODO DE MXIMA VEROSIMILITUD.
El mtodo de mxima verosimilitud (MLE) es uno de los ms robustos y
poderosos de los mtodos modernos para obtener una aproximacin de la
confiabilidad.
La evaluacin por el mtodo de mxima verosimilitud procura encontrar
los valores ms probables de los parmetros de la distribucin para un
conjunto de datos. Maximizando el valor de lo que se conoce como la
funcin de verosimilitud La funcin de verosimilitud se basa en la funcin de
la densidad de la probabilidad fdp para una distribucin dada. Como ejemplo
considere una fdp genrica:

Donde x representa los datos (tiempo a la falla), y 1, 2, ...,k son los
parmetros que se estimarn y k el nmero de parmetros a evaluar. Por
ejemplo para una distribucin de Weibull de dos parmetros, beta y theta
son los parmetros que se deben estimar. Para un conjunto de datos de
observacin completa, la funcin de verosimilitud es un producto de la
funcin de la densidad de la probabilidad, con un elemento por cada punto
en el conjunto de datos:
21


R es el nmero de observaciones independientes que corresponden al
tiempo a la falla en un anlisis de ciclo de vida, xi es la isimo tiempo a la
falla. Matemticamente es ms fcil manipular esta funcin tomando su
logaritmo. Luego la funcin logartmica de la verosimilitud se expresa de la
siguiente forma:

Por lo tanto para encontrar los valores de los parmetros 1, 2, ...,k se
debe maximizar L . Esto comnmente se hace tomando la derivada
parcial de la ecuacin de para cada uno de los parmetros e igualndolos
a cero:

Esto resulta en un nmero de ecuaciones con un igual nmero de variables,
las cuales pueden resolverse simultneamente. Si existen las soluciones de
forma cerrada para las derivadas parciales la solucin puede ser
relativamente simple. En las situaciones donde no se da el caso, se
necesitan emplear algunos mtodos numricos.
22

El mtodo de estimacin de mxima verosimilitud tiene varias propiedades
que hacen atractiva su aplicacin. Por ejemplo:
Es consistentemente asinttico, que significa que mientras que el
tamao de muestra aumenta, las estimaciones convergen a los
valores correctos.
Es asinttico eficiente, que significa que para conjuntos de datos
grandes produce las estimaciones ms exactas.
Es asinttico imparcial, que significa que para conjuntos de datos
grandes uno espera conseguir el valor correcto en promedio.
La distribucin de las estimaciones mismas es normal, si el conjunto
de datos es bastante grande.
Todas stas son caractersticas excelentes para conjuntos de muestras
grandes. Desgraciadamente, el tamao necesario de la muestra para
alcanzar estas caractersticas puede ser bastante grande: treinta a cincuenta
hasta cientos de muestras de tiempos exactos de falla, dependiendo de la
aplicacin. Con pocas muestras, los mtodos pueden ser desgraciadamente
polarizados o tendenciosos. Se han conocido resultados, por ejemplo, que la
estimacin por mxima verosimilitud del parmetro de forma para la
distribucin Weibull ha sido polarizacin para tamaos de muestras
pequeas, y el efecto puede aumentar dependiendo de la cantidad de datos
censurados. Esta polarizacin puede causar discrepancias importantes en el
anlisis.
En general, la recomendacin de la literatura es utilizar tcnicas de
regresin (grficas de riesgo y probabilidad) cuando la muestra de datos es
pequea y sin censura. Cuando hay muchos datos censurados y/o cuando el
23

tamao de muestra es suficiente, Mxima verosimilitud (MLE) debe ser
preferido.

Intervalo de Confianza
Es la estimacin por intervalos teniendo en cuenta el error mximo,
intervalo en el cual est el valor exacto. Se escoge una probabilidad
cercana a 1 y se determinan dos cantidades O O
1 2
y , tal que, que la
probabilidad de que incluyan el valor exacto desconocido del parmetro u
sea igual a

= O s u s O ) ( P
2 1

y este es el intervalo de confianza } { Conf
2 1
u s u s u que son los lmites de
confianza

Ejemplo, para el valor medio de la distribucin normal con varianza conocida
y un nivel de confianza del 95%, tenemos, 96 , 1 c , 95 , 0 con = = y calculamos
el valor medio de la muestra x
1
,...,x
n
de tamao n, y luego,
n
c
k
o
= ,
quedando el nivel de confianza } k x k x { Conf + s s

Si es grande, una observacin de X ser til para reducir la incertidumbre
en la prediccin de Y

La independencia indica que las variables no estn relacionadas, y por
tanto, el coeficiente de correlacin tiende a cero. Lo anterior es vlido en este
sentido, pero no existe el reciproco. Por lo que su eliminacin nos arrojara
valores incorrecto dentro del estudio que se realiza. El coeficiente de
correlacin mide la dependencia lineal entre dos variables aleatorias, y si y
solo s, existe relacin funcional lineal entre las variables, de la forma
Y=a+bX.
24

CONCLUSIONES

La distribucin por muestreo de un estadstico muestral es la distribucin
de probabilidad del mismo, calculadas en cada una de las muestras posibles
extradas aleatoriamente de la poblacin. El muestreo en estadstica es una
tcnica utilizada para seleccionar la muestra. Dentro del muestreo nos
encontramos con el parmetro que no es ms que la caracterstica que
posee una poblacin.
Para calcular del tamao de una muestra se debe tomar en cuenta el tipo
de muestreo, el parmetro a estimar, el error muestral admisible, la varianza
poblacional y el nivel de confianza.
Las distribuciones muestrales nos dicen como se distribuyen los valores de
las estadsticas (que son las medidas descriptivas numricas obtenidas de
una muestra) al tomar diferentes muestras del mismo tamao. Las
estadsticas se usan para aproximar los parmetros y conocer las
distribuciones muestrales.
Las estadsticas permiten evaluar que tan confiable o buena es la
aproximacin.




25

REFERENCIAS BIBLIOGRAFICAS

http://www.virtual.unal.edu.co/cursos/ciencias/1000013/und4/html/cont_04.ht
ml

http://es.wikipedia.org/wiki/Estimador

http://confiabilidad.net/articulos/el-metodo-de-maxima-verosimilitud/

http://www.monografias.com/trabajos94/distribucion-muestral/distribucion-
muestral.shtml#ixzz2m3jGkdhx

El Rincn del Vago. Distribucin por muestreo. Disponible:
http://download.rincondelvago.com/distribucion-por-muestreo. [Consulta.
2013, Noviembre 23].

UDA. Distribuciones Muestrales. Disponible:
http://www.mat.uda.cl/hsalinas/cursos/2011/2do/clase8.pdf. [Consulta. 2013,
Noviembre 23].

Slideshare.net. Muestreo y Distribuciones de Muestreo. Disponible:
http://www.slideshare.net/maevenana/muestreoydistribucionesdemuestreo
[Consulta. 2013, Noviembre 23].

Wikipedia. Muestreo y Probabilidades. Disponible:
http://es.wikipedia.org/wiki/An%C3%muestreo_y_probabilidades. [Consulta.
2013, Noviembre 03].

26