Documentos de Académico
Documentos de Profesional
Documentos de Cultura
6.1 Muestreo.
El muestreo es la técnica o método con que se extraen los elementos de la
población a estudiar. Existen dos tipos de muestreo Probabilístico y no
probabilístico.
En este último (no probabilístico) puede haber clara influencia de la persona o
personas que seleccionan la muestra o simplemente se realiza atendiendo a
razones de comodidad.
Salvo en situaciones muy concretas, en la que los errores cometidos no son
grandes, debido a la homogeneidad de la población, en general no es un tipo de
muestreo riguroso y científico, dado que no todos los elementos de la población
pueden formar parte de la muestra.
Por ejemplo, si hacemos una encuesta telefónica por la mañana, las personas que
no tienen teléfono o que están trabajando, no podrán formar parte de la muestra.
Muestreo probabilístico: En este tipo de muestreo es en el que todos los individuos
de la población, tienen la misma probabilidad de ser parte de la muestra.
Se denomina población a un conjunto homogéneo de individuos sobre los que se
estudian una o varias características que son, de alguna forma, observables. Una
muestra es un subconjunto de la población.
El tamaño muestral es el número de elementos de la muestra. Un método de
muestreo no es más que el procedimiento empleado para la obtención de la
muestra. Un parámetro es cualquier característica medible (normalmente
numérica) de la población.
Muestreo probabilístico
Los métodos de muestreo probabilísticos son aquellos que se basan en el
principio de equiprobabilidad. Es decir, aquellos 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 tamaño n tienen la misma
probabilidad de ser seleccionadas. Sólo estos métodos de muestreo
probabilísticos nos aseguran la representatividad de la muestra extraída y son, por
tanto, los más recomendables. Dentro de los métodos de muestreo probabilísticos
encontramos los siguientes tipos:
Muestreo aleatorio simple:
El procedimiento empleado es el siguiente:
1) se asigna un número a cada individuo de la población y 2) a través de algún
medio mecánico (bolas dentro de una bolsa, tablas de números aleatorios,
números aleatorios generados con una calculadora u ordenador, etc.) se eligen
tantos sujetos como sea necesario para completar el tamaño de muestra
requerido. Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad
práctica cuando la población que estamos manejando es muy grande.
Muestreo aleatorio sistemático:
Este procedimiento exige, como el anterior, numerar todos los elementos de la
población, pero en lugar de extraer n números aleatorios sólo se extrae uno. Se
parte de ese número aleatorio i, que es un número 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
tamaño de la población entre el tamaño de la muestra: k= N/n. El número i que
empleamos como punto de partida será un número al azar entre 1 y k.
El riesgo este tipo de muestreo está en los casos en que se dan periodicidades en
la población 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 población.
Imaginemos que estamos seleccionando una muestra sobre listas de 10 individuos
en los que los 5 primeros son varones y las 5 últimas mujeres, si empleamos un
muestreo aleatorio sistemático con k=10 siempre seleccionaríamos o sólo
hombres o sólo mujeres, no podría haber una representación de los dos sexos.
Si tenemos una muestra aleatoria de una población N (ms), se sabe (Teorema del
límite central) que la fdp de la media muestral es también normal con media m y
varianza s2/n. Esto es exacto para poblaciones normales y aproximado (buena
aproximación con n>30) para poblaciones cualesquiera. Es decir es el error
típico, o error estándar de la media.
En general esto es poco útil, en los casos en que no se conoce m tampoco suele
conocerse s2; en el caso más realista de s2 desconocida los intervalos de
confianza se construyen con la t de Student (otra fdp continua para la que hay
tablas) en lugar de la z.
p =P
Un estimador es una regla, a menudo expresada como una fórmula, que indica
cómo calcular el valor de una estimación con base en las mediciones contenidas
en una muestra. Existen dos tipos de estimaciones concernientes a una población:
la estimación por intervalo y la estimación puntual.
Una estimación puntual, es un solo valor o número que se utiliza para estimar un
parámetro de población desconocido. A menudo una estimación puntual es
insuficiente debido a que ya en resultado, solo se tienen dos opciones: el valor de
estimador es correcta o no. Por ejemplo, mediante una estimación puntual se
afirmará que para el año 2030, la proporción de enfermos de sida a nivel mundial
será 0.70, pudiera ser cierta o no.
Un estimador puntual es una variable aleatoria con una distribución de muestreo
que depende de la población y de su parámetro. Un buen estimador debe de
contener dos propiedades muy importantes, para evaluar la bondad del estimador,
que son que el estimador sea incestado respecto al parámetro a estimar y que
Lo que nos muestra la figura es que 95% de las medias se encontrarían a no más
de 23.52 de la media de 90 (o sea a 1.96 desviaciones estándar). Ahora si
consideramos la probabilidad de que la media de una muestra aleatoria se
encuentre a cierta distancia de la media de la población, entonces podemos decir
que como 95% de la distribución está a 23.5 de 90, la probabilidad de que la
media de cualquier muestra esté a 23.52 de 90 es de 0.95.
Lo anterior significa que, si calculamos repetidamente la media de una muestra, y
consideramos un intervalo que vaya de - 23.52 a + 23.52, este intervalo contendrá
a la media de la población 95% de las veces. En general, podemos calcular el
intervalo de confianza con la siguiente fórmula:
Decisión
Eventos No se rechaza H0 Rechazar H0
H0 es Verdadera No hay error con la Error tipo I con la
probabilidad 1-α probabilidad α
Tabla 6.4 Situaciones que determinan si la decisión final fue correcta o errónea.
Algunas veces, la probabilidad del error tipo I recibe el nombre de nivel de
significancia de la prueba y se denota con α y La probabilidad de cometer un error
Tipo II se denota por . La probabilidad de no rechazar una hipótesis nula
verdadera es la confianza 1-α, con la cual se trabajó para hacer estimaciones por
intervalo. Cuando se rechaza una hipótesis nula falsa se ha tomado una decisión
correcta y la probabilidad de hacerlo se denomina potencia o poder de la prueba y
es denotada por 1 . En símbolos esto se expresa de la siguiente manera:
Una vez que se han formulado las hipótesis nulas H0, y la hipótesis alternativa, Hα,
se debe realizar un procedimiento de comparación‚ por medio del cual se toma
una decisión basada en la muestra aleatoria seleccionada de la población en
estudio. Para llevar a cabo este procedimiento es necesario seleccionar el
estadístico de prueba adecuado, calcularlo con base en la muestra y luego tomar
la decisión de rechazar o no H0 con respecto a un nivel de significancia . Se
recomienda utilizar los siguientes pasos al aplicar la metodología de prueba de
hipótesis
Los pasos que seguir en una prueba de hipótesis son:
sis nula,
estos casos son los siguientes:
El criterio de decisión:
Si ZC < Zα entonces se rechazará la hipótesis nula, en caso contrario no se
rechazará.
Modelo de cola a la derecha:
Ho: π ≤ πo
H1: π > πo
En cuanto al estadístico de la prueba es el mismo.
El gráfico muestra que Z1-α será el valor crítico.
Criterio de decisión:
Si ZC >Zα entonces se rechazará la hipótesis nula, en caso contrario no se
rechazará.
Modelo de cola bilateral:
Ho: π = πo
H1: π ≠ πo
En este caso tenemos dos valores críticos:
Zα y Z(1-α/2), como se muestra en la gráfica.
Criterio de decisión:
Si ZC < Zα/2 o si ZC > Z(1-α/2) entonces se rechazará la hipótesis nula, en caso
contrario no se rechazará.
7 bibliografía
6.1.2 Teorema de limite Central: Minitab 17. (2011). El teorema del límite central:
las medias de muestras grandes y aleatorias son aproximadamente normales.
2016, de Minitab 17 Sitio web: http://support.minitab.com/es-mx/minitab/17/topic-
library/basic-statistics-and-graphs/introductory-concepts/basic-concepts/central-
limit-theorem/
6.3.2 Pasos para realizar una prueba de hipótesis: Matematicos, S.d. (2006).
http://seraace.com. Obtenido de: http://seraace.com/files/CAPITULO-
6B_e88ap342.pdf
6.3.3 Pruebas de hipótesis para una media: Mario Orlando Suárez Ibujes. (2012).
Pruebas de hipótesis para medias. 2012, de Interaprendizaje de Probabilidades y
Estadística Inferencial con Excel Sitio web:
http://www.monografias.com/trabajos91/prueba-hipotesis-medias-excel-y-
winstats/prueba-hipotesis-medias-excel-y-winstats.shtml
6.3.4 Pruebas de hipótesis para una Proporción: aula clic. (2013). PRUEBA DE
HIPÓTESIS. 2013, de aula clic Sitio web: http://www.aulaclic.es/estadistica-
excel/t_7_6.htm
Instituto Tecnológico de
Cd. Madero
Semestre: 2
Periodo: Enero-Junio