Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadística inferencial
Población
Muestra
Encuesta
Parámetro:
Cuando los dos nuevos términos de arriba son usados, por ejemplo, el proceso de
estimación en inferencia estadística puede ser descrito como le proceso de estimar
un parámetro a partir del estadístico correspondiente, tal como usar una media
muestral (un estadístico para estimar la media de la población (un parámetro)
Error Estándar:
Error de Muestreo
Escasez: Es el caso en que se dispone de una sola muestra. Por ejemplo, para
el estudio paleontológico de los dinosaurios (el Tiranosaurio Rex por ejemplo) sería
muy bueno contar con, al menos, muchos restos fósiles y así realizar tales
investigaciones; sin embargo, se cuenta sólo con una docena de esqueletos
fosilizados (casi todos incompletos) de esas criaturas en todo el mundo.
TABLA IV
Guayas-Guayaquil
Marco Muestral
Li
st
a
d
e
U
ni
v
er
si
d
a
d
e
s
y
E Escuelas y Universidades
s
c
u
el
a
s
P
ol
it
é
c
ni
c
a
sX
N. Financiamiento
1 Escuela Superior Politécnica del Litoral Pública
2 Universidad Agraria Del Ecuador Pública
3 Universidad Casa Grande Particular Autofinanciada
4 Universidad Católica De Santiago De Guayaquil Particular Cofinanciada
5 Universidad de Guayaquil Pública
6 Universidad del Pacífico Escuela de Negocios Particular Autofinanciada
7 Universidad Jefferson Particular Autofinanciada
8 Universidad Laica Vicente Rocafuerte de Guayaquil Particular Cofinanciada
9 Universidad Metropolitana * Particular Autofinanciada
1 Universidad Particular de Especialidades Espíritu Santo
0 Particual Autofinanciada
1 Universidad Tecnológica Empresarial de Guayaquil
1 Particual Autofinanciada
1 Universidad Politécnica Salesiana *
2 Particular Cofinanciada
1 Universidad Federico Santa Maria de Chile
3 Particular Autofinanciada
14 Universidad Técnica Particular de Loja * Particular Cofinanciada
15 Universidad Cristiana Latinoamericana * Particular Autofinanciada
Posee ud. información necesaria sobre las carreras de postgrado de la ESPOL tales como:
(Puede elegir más de una opción); las operaciones eran:
¿
Las tres primeras opciones fueron tomadas como p que significa la cantidad de
profesionales que poseen conocimiento sobre una, dos o tres de las maestrías
¿
enumeradas anteriormente, mientras la opción restante fue tomada como q que
significa la proporción de estudiantes que no poseen información necesaria acerca de las
carreras de postgrado descritas en las opciones anteriores; de los 70 profesionales
seleccionados al azar 57 contestaron ninguna de las anteriores, mientras los 13
profesionales restantes respondieron cualquiera de las tres primeras alternativas, ahora
¿ ¿
con estos resultados ya se puede calcular p y q .
¿ ¿
p=13/70=0.19 p=0.19
¿
p=0 . 19 ¿
q =0.81
¿Cómo se calcula una muestra?
parámetros:
95% de confianza.
siguiente ecuación:
n0
n=
n0
1+
N
1 .96 2
n0 = (0 . 19∗0 . 81)=369. 514
0 .04 2
369. 514
n= =368 . 63≈369
369 .514
1+
154281
Lo cual nos indica que el tamaño de la muestra para este estudio es de 369 profesionales
de tercer nivel.
Ejemplo Explicativo (Cálculo del tamaño de la muestra)
Veamos los pasos necesarios para determinar el tamaño de una muestra empleando el
muestreo sistemático. 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 máximo
que estamos dispuestos a admitir en nuestra estimación. Así pues los pasos a seguir son:
Dónde:
: varianza poblacional
e: error máximo
si esta condición se cumple el proceso termina aquí, y ese es el tamaño adecuado que
debemos muestrear.
Buscamos en las tablas de la curva normal el valor de que corresponde con el nivel
de confianza elegido: = ±1.96 y seguimos los pasos propuestos arriba.
1.-
3.-
Dónde:
MUESTREO
Es una herramienta de investigación científica, cuya función básica es determinar
que parte de una población debe examinarse, con la finalidad de hacer inferencias
sobre dicha población.
1.- Hacer conclusiones muy generales a partir de la observación de solo una parte
de la población, se denomina error de muestreo.
2.- Hacer conclusiones hacia una población mucho más grandes de la que
originalmente se tomó la muestra.
a) Costos reducidos.
MUESTREO NO PROBABILISTICO:
Muestreo de cuota:
c) Seleccionamos una de las Mi por un proceso mediante el cual, cada Mi tiene una
probabilidad Pi de ser seleccionada.
b) Muestreo sistemático
b) Muestreo Estratificado.
MUESTREO ALEATORIO SIMPLE
Estudiantes: A, B, C y D
La forma más fácil de seleccionar una muestra de manera aleatoria es mediante el uso de
números aleatorios. Estos números pueden generarse ya sea con una computadora
programada para revolver números o mediante una tabla de números aleatorios, que,
propiamente, debería llamarse tabla de dígitos aleatorios.
La tabla 1 presenta una proporción de una tabla semejante, que contiene 1250 dígitos
aleatorios divididos en conjuntos de 5. Estos números han sido generados mediante un
proceso completamente aleatorio. La probabilidad de que aparezca cualquier dígito de 0 a
9 es la misma que la de cualquier otra secuencia de la misma longitud.
Para aprender a usar esta tabla, suponga que hay 100 empleados en una compañía y
desea entrevistar a una muestra de 10 de ellos escogidos al azar. Podría obtener una
muestra aleatoria al asignar a cada empleado un número desde 00 a 99, consultando la
tabla 1 y escogiendo un método sistemático de seleccionar dos dígitos. En este caso,
podría hacer lo siguiente:
1. Recorra de arriba abajo las columnas, comenzando con la columna de la
izquierda, y lea sólo los primeros dos dígitos en cada fila. Observe que el
primer número al usar este método sería 63, el segundo 88 y el tercero 55,
etcétera.
2. Si llega hasta el final de la última columna de la derecha y todavía no tiene
completos los 10 números de dos dígitos menores de 99 deseados, puede
regresar al principio (a la parte de arriba de la columna de la izquierda) y
comenzar a leer el tercero y cuarto dígitos de cada grupo o conjunto. Estos
comenzarían con 27, 54 y 95.
Otra forma de seleccionar a los empleados del ejemplo sería escribir el nombre de cada
uno en un pedazo de papel y depositar estos pedazos en una caja. Después de revolverlos
bien, podría extraer 10 pedazos al azar. Este método funciona bien con un grupo pequeño
de personas, pero presenta problemas si el número de la población llega a cantidades del
orden de los miles. También está el problema adicional de no estar seguro de que los
pedazos de papel estén bien revueltos.
N!
En esta fórmula N! y n! son factoriales.
n ! ( N −n ) !
Ejemplo 1:
Ejemplo 2:
A continuación se presentan las 10 acciones más activas en la Bolsa de New York del 6 de
marzo del 2006 (The Wall Street Journal, 7 de marzo, 2006)
1. AT&T
2. Pfizer
3. Lucent
4. Texas Instruments
5. Nortel
6. Gen. Elect.
7. Qwest
8. iShrMSJpn
9. Bell South
10. LSI Logic
Las autoridades decidieron investigar las prácticas de negociación usando una muestra de
tres de estas acciones.
a) Empezando en el primer dígito aleatorio de la columna seis de la tabla 1, lea
los números descendiendo por esa columna para seleccionar una muestra
aleatoria simple de tres acciones para las autoridades
Estimación puntual
Para estimar de un parámetro poblacional, la característica correspondiente se calcula con
los datos de la muestra, a lo que se le conoce como estadístico muestral.
A continuación se muestra una tabla con el parámetro poblacional y su correspondiente
estimador puntual.
Parámetro poblacional
μ= Media poblacional . μ=
∑ xi
N
∑ (x i−μ)2
σ =Desviación estándar poblacional . σ=
p=
√
x
N
p=Proporción poblacional .
N
Estimador puntual
ṕ=
√
x
n−1
ṕ=Porporción muestral .
n
Ejemplo:
Al director de personal de Electronics Associates, Inc. (EAI), se le ha encargado las tareas
de elaborar un perfil de los 100 administradores de la empresa. Las características a
determinar son el sueldo medio anual de los administradores y la proporción de
administradores que han terminado el programa de capacitación de la empresa.
Con los 100 administradores de la empresa como la población para este estudio, es
posible hallar el sueldo anual y la situación respecto al programa de capacitación de cada
persona al consultar los archivos del personal.
M A R CO M U ES TR A L
Le x fo rd P rin t A s o ciate S .A .
G u ay a q u il- E cu ad o r
A ñ o 2014
F u e n te d e d a to s o b te n id o s : D e p a rta m e n to s A d m in is tra ti v o y F in a n cie ro .
C a pa c ita c ió n
N o m bre s C .I Se xo C a rg o S a la rio
P ro fe s io na l
1 A C U R I O M A LD O N A D O P A U LI N A M I C H E LLE 1 8 0 4 5 0 7 9 7 -6 Fe m e n in o T e c n ic o $ 5 2 .2 6 4 ,0 0 No
2 A G U I R R E N A R A N JO A N A LI Z B E TH 1 8 0 4 4 2 1 1 8 -6 Fe m e n in o D ire c ti vo $ 5 2 .9 7 3 ,6 0 No
3 A LLA U C A A LLA U C A A N G EL LU I S 0 6 0 4 0 6 5 3 3 -4 M a s c u lin o A d m in is tra ti vo $ 5 7 .6 5 5 ,8 0 Si
4 A LLA U C A O R TEG A E R I C K B O N I L 0 6 0 4 0 9 4 8 1 -3 M a s c u lin o D ire c ti vo $ 4 4 .4 5 7 ,1 0 No
5 A LTA M I R A N O I D R O V O M A U R I C I O F A B I A N 0 6 0 4 8 9 8 3 9 -5 M a s c u lin o E je c u ti vo $ 4 9 .9 5 8 ,2 0 Si
6 A LV A R A D O A LV A R A D O A N D R E S C E S A R 0 6 0 4 7 0 3 9 7 -5 M a s c u lin o As es or $ 5 4 .5 9 2 ,0 0 Si
7 A LV A R A D O R I V E R A G A B R I EL A LE JA N D R O 0 6 0 4 6 2 7 8 1 -0 M a s c u lin o T e c n ic o $ 5 5 .2 9 5 ,9 0 No
8 A LV A R EZ G O M EZ LU N A E S TR ELLA 0 6 0 4 3 7 9 7 5 -0 Fe m e n in o D ire c ti vo $ 4 8 .8 0 6 ,2 0 No
9 B A LC A Z A R C A LLE M A R I A JO S E 1 6 0 0 6 2 6 6 6 -5 Fe m e n in o E je c u ti vo $ 4 5 .3 5 6 ,8 0 No
10 B A R B A N I C O LA LD E S A N TI A G O M A R C E LO 0 6 0 4 6 1 2 0 9 -3 M a s c u lin o T e c n ic o $ 5 1 .2 5 5 ,0 0 No
11 B A S A N TE S C A S C A N TE C R I S T I A N ER N E S TO 0 6 0 3 8 1 3 1 6 -3 M a s c u lin o A d m in is tra ti vo $ 5 1 .0 0 9 ,4 0 Si
12 B O N I LLA B A YA S LO R EN A H ELE N 1 8 0 4 6 2 8 2 6 -9 Fe m e n in o O p e ra ti vo $ 5 0 .2 3 7 ,8 0 No
13 B O N I LLA LÓ P E Z D A M I Á N M I JA Í L 1 8 0 4 6 8 8 7 4 -3 M a s c u lin o D ire c ti vo $ 5 5 .3 9 2 ,8 0 Si
14 B O R JA U R R EA LES LEY R A Q U EL 0 2 0 2 2 8 3 5 1 -1 Fe m e n in o T e c n ic o $ 4 8 .5 2 2 ,1 0 No
15 B U EN A Ñ O P I C O M A R I A D E LO U R D ES 1 8 0 4 5 0 0 6 2 -5 Fe m e n in o E je c u ti vo $ 4 9 .5 6 9 ,5 0 No
16 C A B EZ A S H I N O JO S A D A N I EL D I E G O 0 6 0 4 7 8 5 8 2 -4 M a s c u lin o A d m in is tra ti vo $ 5 4 .1 6 4 ,8 0 No
17 C A JA M A R C A A LTA M I R A N O B YR O N B LA D I M I R0 6 0 4 4 2 6 9 0 -8 M a s c u lin o E je c u ti vo $ 5 2 .3 8 6 ,2 0 Si
18 C A LLE A N D R A D E LU I S D I EG O 0 6 0 4 4 4 6 6 1 -7 M a s c u lin o E je c u ti vo $ 5 9 .9 7 8 ,6 0 No
19 C A M P A S H U R TA D O F A B R I C I O R O N A LD 0 8 0 3 7 8 6 5 8 -1 M a s c u lin o O p e ra ti vo $ 4 8 .5 2 3 ,4 0 Si
20 C A M P O V ER D E S A N TO S D I A N A K A TH ER I N E 0 6 0 4 7 4 7 8 4 -0 Fe m e n in o O p e ra ti vo $ 5 1 .7 5 3 ,0 0 No
21 C A N D O V E I N TI M I LLA A N D R E A G I O M A R A 1 7 2 2 3 9 9 0 6 -8 Fe m e n in o O p e ra ti vo $ 5 0 .1 3 5 ,5 0 No
22 C A R R I LLO C A YA M B E M O N I C A LU C I A 0 6 0 4 7 3 6 5 9 -5 Fe m e n in o D ire c ti vo $ 5 2 .5 4 6 ,6 0 No
23 C A R V A JA L V ELA S C O C R I S TI N A A LE X A N D R A 0 5 0 2 9 5 5 2 8 -9 Fe m e n in o D ire c ti vo $ 5 0 .7 9 2 ,0 0 No
24 C A S TR O N U Ñ E Z M A R I A C O N C EP C I O N 1 8 0 3 9 9 0 0 7 -4 Fe m e n in o A d m in is tra ti vo $ 5 1 .3 8 4 ,1 0 Si
25 C A Y A M B E G U A M A N M A R I O JO S E 0 6 0 4 1 3 0 5 0 -0 M a s c u lin o As es or $ 4 5 .1 8 7 ,8 0 Si
26 C EP ED A C EP E D A F R A N C I S C A I S A B EL 0 6 0 4 3 9 7 0 6 -7 Fe m e n in o D ire c ti vo $ 4 6 .4 8 2 ,1 0 Si
27 C H A V EZ C A S T I LLO JH O N F A R I D 0 2 0 2 4 1 1 9 7 -1 M a s c u lin o D ire c ti vo $ 4 6 .1 5 0 ,0 0 No
28 C H I LI Q U I N G A V I LLA C I S JU A N H ER I B ER TO 0 5 0 3 5 5 4 7 7 -6 M a s c u lin o O p e ra ti vo $ 5 3 .7 0 6 ,3 0 Si
29 C H I LLO G A LLO P A R E D ES ES P ER A N Z A B E A TR I Z1 1 0 5 0 4 4 3 1 -5 Fe m e n in o D ire c ti vo $ 5 2 .9 7 5 ,1 0 Si
30 C H IM BO C AIZAG UANO M AR IO R AFAEL 0 6 0 4 7 9 3 4 4 -8 M a s c u lin o E je c u ti vo $ 5 3 .3 7 2 ,5 0 No
31 C H U G C H I LA N V EI N TI M I LLA B R YA N A R T U R O 1 7 2 2 3 9 9 1 1 -8 M a s c u lin o O p e ra ti vo $ 5 1 .7 3 8 ,9 0 No
32 C O LLA G U A Z O Ñ A M I Ñ A C R I S T I A N C E S A R 0 6 0 4 7 5 2 5 8 -4 M a s c u lin o E je c u ti vo $ 4 9 .7 9 3 ,1 0 Si
33 C U N A LA TA P O N LU I S A YES EN I A ELI ZA B ETH 1 8 0 3 7 5 2 9 4 -6 Fe m e n in o O p e ra ti vo $ 4 9 .7 8 2 ,2 0 No
34 D A M I A N C A B A D I A N A B EN A N C I O O S C A R 0 6 0 4 2 3 0 9 7 -9 M a s c u lin o A d m in is tra ti vo $ 5 1 .7 6 7 ,7 0 No
35 D A Q U I LE M A S U C U N O T A LEO N I D A S M A I C O L 0 9 2 1 1 8 1 4 4 -2 M a s c u lin o D ire c ti vo $ 4 8 .0 5 2 ,2 0 No
36 D Á V I LA P I N O TA N I A ELI Z A B E TH 0 6 0 4 0 2 5 3 5 -3 Fe m e n in o T e c n ic o $ 4 3 .7 5 4 ,7 0 No
37 D Á V I LA P I N O TO M A S D I EG O 0 6 0 4 1 1 4 3 9 -7 M a s c u lin o D ire c ti vo $ 5 6 .1 1 7 ,2 0 Si
38 D E LA C R U Z P U LLO P A X I K A R LA LO R E N A 0 5 0 3 2 7 7 9 2 -3 Fe m e n in o As es or $ 5 1 .9 6 8 ,1 0 Si
39 D Í A Z G R A N I Z O C R I S T I N A B ELE N 0 6 0 4 1 1 0 2 3 -9 Fe m e n in o O p e ra ti vo $ 4 9 .1 4 9 ,8 0 No
40 ER A Z O C H A V EZ G A B R I ELA JES S EN I A 1 6 0 0 4 6 5 8 9 -0 Fe m e n in o D ire c ti vo $ 5 5 .7 6 9 ,5 0 No
41 ER A Z O S Á N C H E Z JO LLI E D EN I S S E 0 2 0 1 5 6 8 0 9 -4 Fe m e n in o O p e ra ti vo $ 5 2 .0 9 7 ,1 0 Si
42 F R EI R E S I LV A S ER G I O V I N I C I O 1 8 0 4 7 9 2 1 5 -6 M a s c u lin o E je c u ti vo $ 5 6 .9 1 8 ,0 0 Si
43 G A N A N A N D I N O M A R Y E LI Z A B ET H 1 8 0 4 5 5 3 3 0 -1 Fe m e n in o O p e ra ti vo $ 5 1 .6 5 7 ,8 0 No
44 G A R C ÉS A LV A R A D O E LI Z A B ETH V A N N ES A 0 6 0 5 8 0 8 9 3 -0 Fe m e n in o O p e ra ti vo $ 5 4 .0 4 9 ,3 0 No
45 G U A D A LU P E ES P I N O Z A JU LI A N ES TEF A N O 0 6 0 3 7 5 1 6 0 -3 M a s c u lin o D ire c ti vo $ 4 5 .4 3 3 ,4 0 Si
46 G U A LA C EO LO P EZ I S R A EL C A R LO S 0 6 0 5 1 0 6 4 7 -5 M a s c u lin o E je c u ti vo $ 4 9 .0 8 2 ,8 0 No
47 G U A M A N T A Q U I N I N A B A N D A ER I C K TO N I O 0 6 0 4 8 4 8 6 9 -7 M a s c u lin o As esor $ 5 2 .0 3 9 ,5 0 Si
4 8 G U A S H P A G U A S H P A W I LS O N R EN E 0 6 0 3 5 2 5 2 8 -8 M a s c u lin o T e c n ic o $ 5 3 .5 4 7 ,1 0 No
49 G U TI E R R EZ R I V ER A R O M I N A TA M A R A 0 5 0 4 1 8 9 7 1 -3 Fe m e n in o T e c n ic o $ 5 8 .8 2 9 ,1 0 No
5 0 H E R R ER A A G U I R R E C A R LO S A N TO N I O 0 6 0 4 8 0 8 9 8 -0 M a s c u lin o E je c u ti vo $ 5 2 .4 9 6 ,6 0 No
5 1 H I P O M O R O C H O D EN I S S E M A R I ELA 0 6 0 4 5 1 8 6 7 -0 Fe m e n in o E je c u ti vo $ 5 0 .1 3 1 ,2 0 No
52 I N C A S H U G U LI R O B ER TO C A R LO S 0 6 0 4 7 3 5 6 9 -6 M a s c u lin o E je c u ti vo $ 4 8 .4 0 8 ,2 0 No
5 3 I P I A LE S LU C E R O S A N T A Y JA N I N E 1 8 0 4 4 9 4 2 4 -1 Fe m e n in o O p e ra ti v o $ 5 5 .2 7 6 ,5 0 Si
5 4 I Z U R I ET A R O M ER O S H I R LEY ELI Z A B ET H 0 6 0 4 8 6 1 4 8 -4 Fe m e n in o As esor $ 4 9 .5 5 8 ,0 0 Si
5 5 JER E Z M A S A Q U I Z A JO S E LO R EN Z O 1 8 0 4 8 1 9 6 6 -0 M a s c u lin o As esor $ 4 9 .5 1 2 ,5 0 Si
5 6 LEM A LO N D O F ER N A N D A M A R I B EL 0 6 0 4 6 3 8 4 1 -1 Fe m e n in o E je c u ti vo $ 5 4 .8 5 4 ,7 0 No
57 LI M A I C O A LV A R EZ M A R I O A N D R ES 0 6 0 4 3 1 3 3 1 -2 M a s c u lin o A d m in is tra ti vo $ 5 2 .7 2 5 ,4 0 Si
5 8 LO JA G U A M A N JA N E TH B ELG I C A 0 3 0 2 7 5 7 2 2 -4 Fe m e n in o D ire c ti vo $ 4 8 .3 3 1 ,1 0 Si
5 9 LO M A S C A LD ER O N P A TR I C I A G I O M A R 0 6 0 4 1 5 3 3 8 -7 Fe m e n in o A d m in is tra ti vo $ 4 8 .6 8 9 ,1 0 No
60 LO P EZ G A V I D I A JO S E LI N E M A R I A N A 0 6 0 4 0 9 8 4 3 -4 Fe m e n in o T e c n ic o $ 5 2 .0 9 5 ,6 0 No
6 1 M A C A S R I V ER A W A LTE R JU LI O 0 6 0 4 8 7 5 1 7 -9 M a s c u lin o D ire c ti vo $ 5 2 .2 4 5 ,2 0 No
62 M A N O T O A C H I C A I Z A M YR I A M A N D R EA 1 8 0 4 1 9 3 6 4 -5 Fe m e n in o O p e ra ti v o $ 5 5 .7 3 8 ,1 0 No
6 3 M A R TI N EZ Z U M B A JH O N A TA N V I C EN TE 0 6 0 3 9 4 3 7 3 -9 M a s c u lin o D ire c ti vo $ 4 9 .2 8 5 ,5 0 Si
6 4 M ED I N A M O R EN O LO R E N Z O I S R A EL 0 6 0 4 7 3 5 3 5 -7 M a s c u lin o O p e ra ti v o $ 5 2 .8 0 1 ,6 0 No
65 M ED I N A Ñ U S TE LEO N A R D O F A B I O 8 1 7 0 6 4 2 3 6 -0 M a s c u lin o E je c u ti vo $ 5 4 .4 0 0 ,4 0 Si
6 6 M EN D O Z A C A S TI LLO JO R G E LU I S 2 3 0 0 2 7 1 0 8 -3 M a s c u lin o T e c n ic o $ 5 0 .4 8 7 ,8 0 No
6 7 M I N A O B A N D O W EN D Y JES S EN I A 1 7 1 7 9 0 2 4 8 -8 Fe m e n in o E je c u ti vo $ 4 4 .6 5 2 ,5 0 Si
6 8 M O N TA G U A N O P A R ED ES M A YR A A LEJA N D R A1 8 0 5 1 9 5 2 3 -5 Fe m e n in o As esor $ 5 1 .0 5 1 ,6 0 Si
6 9 M O N TEN E G R O C H A C O N C A R LO S AN D R ES 0 6 0 4 9 4 6 9 2 -1 M a s c u lin o T e c n ic o $ 5 4 .1 5 5 ,4 0 No
7 0 M O R A LE S TI X I M A R C ELO ELI A S 0 2 0 2 2 9 4 9 8 -9 M a s c u lin o T e c n ic o $ 5 1 .0 3 6 ,0 0 No
7 1 M O R A R A R T EA G A B ELE N I R I N A 1 8 0 4 6 0 3 4 4 -5 Fe m e n in o E je c u ti vo $ 4 6 .8 3 3 ,5 0 No
7 2 M O R E N O A V I LA A N D R E A C E LES TE 0 5 0 3 2 2 0 0 6 -3 Fe m e n in o T e c n ic o $ 4 8 .7 1 2 ,0 0 Si
73 M O R E N O P A LA C I O S M A R I ELA M I C A ELA 1 6 0 0 6 3 1 3 3 -5 Fe m e n in o T e c n ic o $ 4 9 .7 8 7 ,5 0 No
7 4 N A R A N JO G A V I LA N E Z W A LTER P A TR I C I O 0 1 0 7 1 6 6 5 9 -7 M a s c u lin o O p e ra ti v o $ 5 3 .0 6 2 ,6 0 Si
75 N E C P A S C H O LC A A N A S I LV I A 1 7 2 5 9 6 7 6 7 -1 Fe m e n in o T e c n ic o $ 5 0 .2 4 6 ,8 0 Si
7 6 N U Ñ EZ V I LLA R ES ED I TH F R A N C I S C O 1 8 0 3 8 0 6 2 5 -4 M a s c u lin o E je c u ti vo $ 5 2 .0 4 2 ,6 0 No
77 O ÑA M USO M IRC O HO RACIO 0 5 0 3 4 9 6 8 0 -4 M a s c u lin o D ire c ti vo $ 5 9 .0 2 6 ,4 0 Si
78 O R D O Ñ EZ V A LA R EZ O A N G ELI C A M ER C E D ES 0 7 0 5 9 1 9 2 8 -0 Fe m e n in o As esor $ 5 5 .3 3 9 ,4 0 Si
7 9 O R TE G A B E TA N C O U R T O S C A R O S W A LD O 0 8 5 0 0 4 4 1 1 -6 M a s c u lin o E je c u ti vo $ 4 4 .9 5 6 ,5 0 No
8 0 P A D I LLA TEN E C O TA JE N N Y M A R C ELA 0 6 0 4 7 4 1 7 8 -5 Fe m e n in o D ire c ti vo $ 5 1 .8 1 4 ,2 0 Si
8 1 P A R R A C Á R D EN A S LI TI G I O B ER N A B E 0 6 0 3 9 2 5 5 8 -7 M a s c u lin o E je c u ti vo $ 5 1 .4 7 7 ,1 0 Si
8 2 P ER EZ G A LEA S K A TH ER I N P A O LA 2 3 0 0 6 5 3 6 5 -2 Fe m e n in o As esor $ 5 8 .3 4 6 ,6 0 Si
83 P ER EZ P A R ED ES I S S A I N D I R A 1 7 2 1 0 2 2 8 0 -2 Fe m e n in o E je c u ti vo $ 5 2 .4 7 5 ,5 0 Si
8 4 P I LC O LÓ P EZ JO S E LYN G A B R I ELA 0 6 0 4 6 3 3 8 8 -3 Fe m e n in o D ire c ti vo $ 4 6 .6 7 0 ,2 0 No
8 5 P U C H A A M A N C H A G I LS O N JU LI A N 0 6 0 3 8 3 3 8 9 -8 M a s c u lin o As esor $ 4 6 .9 4 0 ,1 0 Si
86 P U C H A I N C A JO H A N A P R I S C I LA 0 6 0 5 0 1 8 9 8 -5 Fe m e n in o D ire c ti vo $ 5 1 .6 7 3 ,1 0 Si
8 7 P U LI S TA R M A N O S A LV A S JEA N P I E R R E 0 4 0 1 7 3 0 5 6 -9 M a s c u lin o D ire c ti vo $ 5 7 .2 7 9 ,2 0 Si
88 R EA TE G U I H U R TA D O LU I S A LF R ED O 0 2 0 2 3 2 4 7 5 -2 M a s c u lin o As esor $ 5 0 .8 2 3 ,0 0 Si
8 9 R I O S C A C ER ES D A V I D I S M A EL 0 6 0 3 4 4 9 5 5 -4 M a s c u lin o O p e ra ti v o $ 5 2 .0 3 0 ,9 0 Si
9 0 R O D A S R O B A LI N O M A R I O A LB E R T O 1 8 0 4 4 8 0 8 5 -1 M a s c u lin o O p e ra ti v o $ 5 0 .1 1 3 ,4 0 No
91 S A LA S R O B A LI N O D EN N YS JO EL 0 6 0 4 1 8 2 9 1 -5 M a s c u lin o E je c u ti vo $ 5 2 .6 1 4 ,7 0 No
9 2 S H A G Ñ A Y E S C U D ER O H E N R Y D A V I D 0 6 0 4 2 3 9 0 6 -1 M a s c u lin o E je c u ti vo $ 5 3 .6 6 5 ,5 0 No
93 S O R I A F R E I R E N ÉS T O R A N D R ÉS 1 8 0 4 4 5 7 1 2 -3 M a s c u lin o E je c u ti vo $ 4 9 .8 7 9 ,6 0 Si
9 4 TO R O C EP ED A B E LEN I S A B ELLA 0 6 0 3 5 4 8 7 5 -1 Fe m e n in o E je c u ti vo $ 5 1 .7 6 4 ,9 0 Si
9 5 V A LLEJO R O JA S H O R A C I A C YN D Y 0 6 0 4 2 4 3 0 3 -0 Fe m e n in o A d m in is tra ti vo $ 5 2 .0 3 4 ,9 0 Si
96 V A R G A S JI M EN EZ M A R I A EU G E N I A 0 2 0 2 0 9 2 1 4 -4 Fe m e n in o D ire c ti vo $ 5 9 .2 8 4 ,6 0 Si
9 7 V A R G A S TI ER R A S YES LI O A N D R EI 0 6 0 4 7 0 1 1 5 -1 M a s c u lin o T e c n ic o $ 5 4 .2 7 6 ,0 0 No
9 8 V ELE Z R I E R A V I C T O R I S R A E L 2 3 0 0 4 1 2 4 4 -8 M a s c u lin o A d m in is tra ti vo $ 5 0 .7 8 8 ,8 0 Si
9 9 V I Z U ET E C H I N A C H I V I V I A N A V A N ES A 1 5 0 0 7 9 1 4 8 -6 Fe m e n in o E je c u ti vo $ 4 9 .8 6 7 ,5 0 Si
1 0 0 YU N G A N G A R C ES M A R C I A S H I C ELA 0 6 0 4 3 8 0 5 2 -7 Fe m e n in o A d m in is tra ti vo $ 4 4 .8 3 4 ,9 0 No
1. Muestra piloto
La muestra piloto se realizará a 10 de los administradores de la EAI entonces,
np=10, la variable a estudiarse es la siguiente:
x 1=59026.40 Sí
x 2=57279.20 Sí
x 3=49958.20 Sí
x 4 =45187.80 Sí
x 5=52475.50 Sí
x 6=45356.80 No
x 7=54276.00 No
x 8=56117.20 Sí
x 9=55738.10 No
x 10=50792.00 No
Una vez que se tienen los 10 administradores de la muestra piloto se calcula la media,
desviación estándar y la proporción.
1. x́=
∑ xi
n
526207.20
x́=
10
x́=52620.72
∑ ( x i− x́)2
2. s=
√ n−1
205884706.40
s=
√ 9
s=4782.89
x
ṕ=
n
6
ṕ=
10
ṕ=0.6
95% de confianza.
siguiente ecuación:
n0
n=
n0
1+
N
n0 =100
Entonces:
n0
n=
n0
1+
N
100
n=
100
1+
100
n=50
∑ ( x i− x́)2
s=
√ n−1
513610391.9632
s=
√ 49
s=$ 3237.57
Z ∝ ∗S
2
x́ ±
√n
1.96∗3237.57
51717.74 ±
√ 50
51717.74 ± 897.41
( $ 50.820,33−$ 52.615,15)
min max
1. Número de inicio:
Se selecciona un número entero que debe ser menor al número total de individuos en
la población. Este número entero corresponderá al primer miembro o elemento.
2. Intervalo:
Se elige otro número entero que servirá como la diferencia constante entre dos
números consecutivos en la progresión.
El número entero se selecciona típicamente de modo que el investigador obtenga el
tamaño de la muestra correcto.
Parámetro poblacional
μ= Media poblacional . μ=
∑ xi
N
∑ (x i−μ)2
σ =Desviación estándar poblacional . σ=
p=
√
x
N
p=Proporción poblacional .
N
Estimador puntual
ṕ=
√x
n−1
ṕ=Porporción muestral .
n
Ejercicio Explicativo
Al director de personal de Electronics Associates, Inc. (EAI), se le ha encargado las tareas
de elaborar un perfil de los 100 administradores de la empresa. Las características a
determinar son el sueldo medio anual de los administradores y la proporción de
administradores que han terminado el programa de capacitación de la empresa.
Con los 100 administradores de la empresa como la población para este estudio, es
posible hallar el sueldo anual y la situación respecto al programa de capacitación de cada
persona al consultar los archivos del personal.
Paso 1
MUESTREO PILOTO
N 100
n 15
k 7
Ran# 3
Paso 3
Elección de muestra Piloto por salto de intervalo del marco muestral de la Población.
z 2 N∗ Ṕ(1− Ṕ) ^
n= P 0.53
( N −1 ) e2 + z 2∗ Ṕ(1−Ṕ)
n=¿ ¿ ¿
n 49.13
n 49
Paso 5
N 100
n 49
k 2
Ran# 2
Selección de la Muestra
n Nombres Curso de Capacitación
1 2 REATEGUI HURTADO LUIS ALFREDO Si
2 4 MORENO PALACIOS MARIELA MICAELA No
3 6 DAMIAN CABADIANA BENANCIO OSCAR No
4 8 PILCO LÒPEZ JOSELYN GABRIELA No
5 10 BARBA NICOLALDE SANTIAGO MARCELO No
6 12 JEREZ MASAQUIZA JOSE LORENZO Si
7 14 GUASHPA GUASHPA WILSON RENE No
8 16 MINA OBANDO WENDY JESSENIA Si
9 18 CAYAMBE GUAMAN MARIO JOSE Si
10 20 CHILIQUINGA VILLACIS JUAN HERIBERTO Si
11 22 AGUIRRE NARANJO ANA LIZBETH No
12 24 ALVARADO ALVARADO ANDRES CESAR Si
13 26 CHILLOGALLO PAREDES ESPERANZA BEATRIZ Si
14 28 MONTAGUANO PAREDES MAYRA ALEJANDRA Si
15 30 ORTEGA BETANCOURT OSCAR OSWALDO No
16 32 MACAS RIVERA WALTER JULIO No
17 34 ORDOÑEZ VALAREZO ANGELICA MERCEDES Si
18 36 BONILLA LÓPEZ DAMIÁN MIJAÍL Si
19 38 NARANJO GAVILANEZ WALTER PATRICIO Si
20 40 HIPO MOROCHO DENISSE MARIELA No
21 42 ALVARADO RIVERA GABRIEL ALEJANDRO No
22 44 VARGAS TIERRAS YESLIO ANDREI No
23 46 DÁVILA PINO TANIA ELIZABETH No
24 48 MENDOZA CASTILLO JORGE LUIS No
25 50 MARTINEZ ZUMBA JHONATAN VICENTE Si
26 52 CUNALATA PONLUISA YESENIA ELIZABETH No
27 54 ALLAUCA ORTEGA ERICK BONIL No
28 56 CANDO VEINTIMILLA ANDREA GIOMARA No
29 58 BONILLA BAYAS LORENA HELEN No
30 60 LIMAICO ALVAREZ MARIO ANDRES Si
31 62 BUENAÑO PICO MARIA DE LOURDES No
32 64 PUCHA INCA JOHANA PRISCILA Si
33 66 CALLE ANDRADE LUIS DIEGO No
34 68 BASANTES CASCANTE CRISTIAN ERNESTO Si
35 70 CARVAJAL VELASCO CRISTINA ALEXANDRA No
36 72 SHAGÑAY ESCUDERO HENRY DAVID No
37 74 ALTAMIRANO IDROVO MAURICIO FABIAN Si
38 76 ERAZO SÁNCHEZ JOLLIE DENISSE Si
39 78 NUÑEZ VILLARES EDITH FRANCISCO No
40 80 IPIALES LUCERO SANTAY JANINE Si
41 82 VALLEJO ROJAS HORACIA CYNDY Si
42 84 RIOS CACERES DAVID ISMAEL Si
43 86 YUNGAN GARCES MARCIA SHICELA No
44 88 GUTIERREZ RIVERA ROMINA TAMARA No
45 90 MORALES TIXI MARCELO ELIAS No
46 92 ACURIO MALDONADO PAULINA MICHELLE No
47 94 VARGAS JIMENEZ MARIA EUGENIA Si
48 96 MONTENEGRO CHACON CARLOS ANDRES No
49 98 GANAN ANDINO MARY ELIZABETH No
Paso 6
Se halla los estimadores mediante formula y el Intervalo de Confianza.
Estimadores
Parametro Poblacional Estimación Puntual
ൌ ʹͳ
ܲ ͳͲͲͲ כǤͶ͵ തൌ
ܲ
Ͷͻ
ൌ
ܲ Ͷ͵ തൌ
ܲ ͲǤͶ͵
Paso 7
Electronics Associates, Inc. Informa que el 48% de sus administradores asistieron a un programa de capacitacion.
Si una muestra de 49 administradores revela que 21 personas si asistio a la capacitacion un intervalo del 95%
apoya esta información?
0.43
തሺଵିതሻ
തേZ *
ܲ 1.96
49
ǤସଷሺଵିǤସଷሻ
0.43േͳǤͻ *
ସଽ
IC (0.41 ; 0.45)
Min Max
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 tamaño dado de la muestra. Consiste
en considerar categorías típicas diferentes entre sí (estratos) que poseen gran
homogeneidad respecto a alguna característica (se puede estratificar, por ejemplo, según
la profesión, 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 interés estarán
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 formarán parte de la muestra. En
ocasiones las dificultades que plantean son demasiado grandes, pues exige un
conocimiento detallado de la población. (Tamaño geográfico, sexos, edades,...)
Es importante tener en cuenta que los estratos no deben superponerse. Que los subgrupos se
superpongan dará a algunos individuos mayores probabilidades de ser seleccionados como
sujetos. Esto niega completamente el concepto de muestreo estratificado como un tipo de
muestreo probabilístico.
Igualmente importante es el hecho de que el investigador debe utilizar un muestreo probabilístico simple
dentro de los diferentes estratos.
Los estratos más comunes utilizados en el muestreo aleatorio estratificado son la edad, el género,
el nivel socioeconómico, la religión, la nacionalidad y el nivel de estudios alcanzado.
Supongamos que tienes 3 estratos con 100, 200 y 300 tamaños de la población, respectivamente.
El investigador eligió una fracción de muestreo de ½. Luego, el investigador debe probar al azar 50,
100 y 150 sujetos de cada estrato, respectivamente.
Estrato A B C
Fracción de muestreo ½ ½ ½
Para el caso particular para el que en cada estrato se realiza un muestreo aleatorio simple,
Para el total: .
Para la media: .
Para la proporción: .
Para el total: .
Para la media: .
Para la proporción:
Ejemplo:
Muestreo Estratificado
Una población de 6000 personas se ha dividido en 3 estratos, uno con 1000 personas, otro
con 3500 y otro con 1500.
Datos
Población: 6000
Estratos
Grupo1: 1000
Grupo2: 3500
Grupo3: 1500
Al azar: n=15
Solución
1000 n 1 n1 60∗1000
Grupo1: = -> -> n1= = 10
6000 N 60 6000
3500 n 2 n2 60∗3500
Grupo2: = -> -> = 35
6000 N 60 6000
1500 15 15∗6000
Grupo3: n3= 15 = -> = 60
6000 N 1500
R// n1= 10; n2= 35; n3= 15, entonces la muestra es de n= 60//
CONCLUSION
- http://www.estadistica.mat.uson.mx/Material/elmuestreo.pdf
- http://todoestadistica.blogspot.com/2009/05/estimadores-muestreo-
estratificado.html