DEPARTAMENTO DE CIENCIAS EXACTAS

CARRERA: INGENIERIA MECANICA

ASIGNATURA: ESTADISTICA I
TEMA: Tipos de muestreo Teorema del lmite central
Realizado por: Fausto Mndez
Curso y NRC: A306 - 2032
TIPOS DE MUESTREO
I.

Muestreo probabilstico: Los mtodos de muestreo probabilsticos son

aquellos que en los que todos los individuos tienen la misma probabilidad de ser
elegidos para formar parte de una muestra y, consiguientemente, todas las
posibles muestras de tamao n tienen la misma probabilidad de ser
seleccionadas.
1. Muestreo aleatorio simple: El procedimiento empleado es el siguiente:
1) se asigna un nmero a cada individuo de la poblacin
2) a travs de algn medio mecnico (bolas dentro de una bolsa, tablas de
nmeros aleatorios, etc.) Se eligen tantos sujetos como sea necesario para
completar el tamao de muestra requerido. Este procedimiento, atractivo
por su simpleza, tiene poca o nula utilidad prctica cuando la poblacin que
estamos manejando es muy grande.
2. Muestreo aleatorio sistemtico: Este procedimiento exige, como el
anterior, numerar todos los elementos de la poblacin, pero en lugar de
extraer n nmeros aleatorios slo se extrae uno. Se parte de ese nmero
aleatorio i, que es un nmero elegido al azar, y los elementos que integran la
muestra son los que ocupa los lugares i, i+k, i+2k, i+3k,...,i+(n-1)k, es decir
se toman los individuos de k en k, siendo k el resultado de dividir el tamao
de la poblacin entre el tamao de la muestra: k= N/n. El nmero i que
empleamos como punto de partida ser un nmero al azar entre 1 y k. El
riesgo este tipo de muestreo est en los casos en que se dan periodicidades
en la poblacin ya que al elegir a los miembros de la muestra con una
periodicidad constante (k) podemos introducir una homogeneidad que no se
da en la poblacin. Imaginemos que estamos seleccionando una muestra
sobre listas de 10 individuos en los que los 5 primeros son varones y los 5
ltimos mujeres, si empleamos un muestreo aleatorio sistemtico con k=10
siempre seleccionaramos o slo hombres o slo mujeres, no podra haber
una representacin de los dos sexos.

3. Muestreo aleatorio estratificado: Trata de obviar las dificultades que

presentan los anteriores ya que simplifican los procesos y suelen reducir el
error muestral para un tamao dado de la muestra. Consiste en considerar
categoras tpicas diferentes entre s (estratos) que poseen gran
homogeneidad respecto a alguna caracterstica (segn la profesin, el
municipio de residencia, el sexo, el estado civil, etc.). Lo que se pretende con
este tipo de muestreo es asegurarse de que todos los estratos de inters
estarn representados adecuadamente en la muestra. Cada estrato funciona
independientemente, pudiendo aplicarse dentro de ellos el muestreo
aleatorio simple o el estratificado para elegir los elementos concretos que
formarn parte de la muestra. En ocasiones las dificultades que plantean son
demasiado grandes, pues exige un conocimiento detallado de la poblacin.
(Tamao geogrfico, sexos, edades...). La distribucin de la muestra en
funcin de los diferentes estratos se denomina afijacin, y puede ser de
diferentes tipos:
Afijacin Simple: A cada estrato le corresponde igual nmero de
elementos mustrales.
Afijacin Proporcional: La distribucin se hace de acuerdo con el peso
(tamao) de la poblacin en cada estrato.
Afijacin ptima: Se tiene en cuenta la previsible dispersin de los
resultados, de modo que se considera la proporcin y la desviacin tpica.
Tiene poca aplicacin ya que no se suele conocer la desviacin.
4. Muestreo aleatorio por conglomerados: En este caso la unidad muestral
es un grupo de elementos de la poblacin que forman una unidad, a la que
llamamos conglomerado. Las unidades hospitalarias, los departamentos
universitarios, una caja de determinado producto, etc., son conglomerados
naturales. En otras ocasiones se pueden utilizar conglomerados no naturales
como, por ejemplo, las urnas electorales. Cuando los conglomerados son
reas geogrficas suele hablarse de "muestreo por reas". El muestreo por
conglomerados consiste en seleccionar aleatoriamente un cierto nmero de
conglomerados (el necesario para alcanzar el tamao muestral establecido)
y en investigar despus todos los elementos pertenecientes a los
conglomerados elegidos.
II.

Mtodos de muestreo no probabilsticos

A veces, para estudios exploratorios, el muestreo probabilstico resulta
excesivamente costoso y se acude a mtodos no probabilsticos, aun siendo
conscientes de que no sirven para realizar generalizaciones (estimaciones
inferenciales sobre la poblacin), pues no se tiene certeza de que la muestra
extrada sea representativa, ya que no todos los sujetos de la poblacin tienen la
misma probabilidad de ser elegidos. En general se seleccionan a los sujetos
siguiendo determinados criterios procurando, en la medida de lo posible, que la
muestra sea representativa.
1. Muestreo por cuotas: Tambin denominado en ocasiones "accidental". Se
asienta generalmente sobre la base de un buen conocimiento de los estratos

de la poblacin y/o de los individuos ms "representativos" o "adecuados"

para los fines de la investigacin. Mantiene, por tanto, semejanzas con el
muestreo aleatorio estratificado, pero no tiene el carcter de aleatoriedad de
aqul. En este tipo de muestreo se fijan unas "cuotas" que consisten en un
nmero de individuos que renen unas determinadas condiciones, por
ejemplo: 20 individuos de 25 a 40 aos, de sexo femenino y residentes en
Gijn. Una vez determinada la cuota se eligen los primeros que se
encuentren que cumplan esas caractersticas. Este mtodo se utiliza mucho
en las encuestas de opinin.
2. Muestreo intencional o de conveniencia: Este tipo de muestreo se
caracteriza
por
un
esfuerzo
deliberado
de
obtener
muestras
"representativas" mediante la inclusin en la muestra de grupos
supuestamente tpicos. Es muy frecuente su utilizacin en sondeos
preelectorales de zonas que en anteriores votaciones han marcado
tendencias de voto. Tambin puede ser que el investigador seleccione directa
e intencionadamente los individuos de la poblacin. El caso ms frecuente de
este procedimiento el utilizar como muestra los individuos a los que se tiene
fcil acceso (los profesores de universidad emplean con mucha frecuencia a
sus propios alumnos).
3. Bola de nieve: Se localiza a algunos individuos, los cuales conducen a otros,
y estos a otros, y as hasta conseguir una muestra suficiente. Este tipo se
emplea muy frecuentemente cuando se hacen estudios con poblaciones
"marginales", delincuentes, sectas, determinados tipos de enfermos, etc.
4. Muestreo Discrecional A criterio del investigador los elementos son
elegidos sobre lo que l cree que pueden aportar al estudio
Teorema del lmite central
El teorema dice que si tenemos un grupo numeroso de variables independientes y
todas ellas siguen el mismo modelo de distribucin (cualquiera que ste sea), la suma
de ellas se distribuye segn una distribucin normal. Este teorema se aplica tanto a
suma de variables discretas como de variables continuas. A su vez garantiza una
distribucin normal cuando n es suficientemente grande.
Si una poblacin tiene media y desviacin tpica , y tomamos muestras de tamao n
(n > 30, cualquier tamao si la poblacin es "normal"), las medias de estas muestras
siguen aproximadamente la distribucin:

La aproximacin entre las dos distribuciones es, en general, mayor en el centro de las
mismas que en sus extremos o colas, motivo por el cual se prefiere el nombre "teorema
del lmite central" ("central" califica al lmite, ms que al teorema).
Enunciado formal

Sea

...,

un

conjunto

de

variables

idnticamente distribuidas con media y varianza

aleatorias,

independientes

. Sea

Entonces

.
En Funcin de la media muestral

Propiedades

El teorema del lmite central garantiza una distribucin normal cuando n

es suficientemente grande.

Existen diferentes versiones del teorema, en funcin de las condiciones

utilizadas para asegurar la convergencia. Una de las ms simples
establece que es suficiente que las variables que se suman
sean independientes, idnticamente distribuidas, con valor
esperado y varianza finitas.

La aproximacin entre las dos distribuciones es, en general, mayor en el

centro de las mismas que en sus extremos o colas, motivo por el cual se
prefiere el nombre "teorema del lmite central" ("central" califica al lmite,
ms que al teorema).

Este teorema, perteneciente a la teora de la probabilidad, encuentra

aplicacin en muchos campos relacionados, tales como la inferencia
estadstica o la teora de renovacin.

Bibliografa

Rovira Carles, (28/01/2015), teorema del lmite central recuperado de :

http://www.calidad.com.mx/docs/art_64_1.pdf

Rodrguez

Vladimir

(28/01/2015),

Muestreo,

http://www.estadistica.mat.uson.mx/Material/elmuestreo.pdf

recuperado

de: