TIPOS DE MUESTREO

Tipos de muestreo aleatorio o probabilístico

Hablamos de muestreo aleatorio en los casos en que todos los sujetos que forman
parte de una población tienen la misma probabilidad de ser escogidos como parte
de la muestra. Los muestreos de esta clase son más populares y útiles que los no
aleatorios, principalmente porque tienen una elevada representatividad y permiten
calcular el error de la muestra.

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:

1.- 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 generadas 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. El muestreo
aleatorio simple es el que más se utiliza en la estadística inferencial, pero es menos
eficaz en muestras muy grandes.
EJEMPLOS:

1) Un ejemplo del uso del método de lotería sería la selección de una muestra
aleatoria de entre un grupo de 100 miembros. Se ponen todos los nombres
en un recipiente y se van sacando uno por uno hasta tener el tamaño
suficiente de nuestra muestra. Al utilizar el sistema de sorteo, los números
que representa cada elemento de la población objetivo son colocadas en
chips (es decir, tarjetas, papel u otros objetos). Los chips se colocan entonces
en un recipiente y se mezclan. A continuación, a ciegas se seleccionan las
fichas desde el recipiente hasta que se haya obtenido el tamaño de muestra
deseado. Las desventajas de este método de selección es que consume
mucho tiempo, y se limita a poblaciones pequeñas.

2) Una empresa tiene 120 empleados. Se quiere extraer una muestra de 30 de

ellos.
A. Enumera a los empleados del 1 al 120
B. Sortea 30 números entre los 120 trabajadores
C. La muestra estará formada por los 30 empleados que salieron
seleccionados de los números obtenidos.

2.- Muestreo aleatorio sistemático: En este caso se empieza dividiendo el número

total de sujetos u observaciones que conforman la población entre el que se quiere
utilizar para la muestra. Posteriormente se escoge un número al azar de entre los
primeros y se va sumando de forma constante este mismo valor; los elementos
seleccionados pasarán a formar parte de la muestra. 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 los 5 últimos 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.

EJEMPLOS:

1) Ejemplo : ◦

* Población (N) : 12,000

* Muestra requerida (n) : 600 ◦ Calcular el intervalo de muestreo (k) = 12,000 /

600 = 20

*Escoger el 1er numero al azar [1 - 20]  1era unidad

*Añadir k para escoger la siguiente unidad y así sucesivamente hasta completar

n.

2) Supongamos que tenemos un marco muestral de 5.000 individuos y

deseamos obtener una muestra de 100 de ellos. Dividimos en primer lugar el
marco muestral en 100 fragmentos de 50 individuos. A continuación
seleccionamos un número aleatorio entre 1 y 50, para extraer el primer individuo
al azar del primer fragmento: por ejemplo el 24. A partir de este individuo, queda
definida la muestra extrayendo los individuos de la lista con intervalos de 50
unidades, tal y como sigue:

24, 74, 124, 174, ..., 4.974

3.- Muestreo aleatorio estratificado: consiste en dividir la población en estratos;

un ejemplo de esto sería estudiar la relación entre el grado de satisfacción vital y el
nivel socioeconómico. A continuación se extrae un número determinado de sujetos
de cada uno de los estratos por tal de mantener la proporción de la población de
referencia. 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,...). La distribución de la muestra en
función de los diferentes estratos se denomina afijación, y puede ser de diferentes
tipos:

Afijación Simple: A cada estrato le corresponde igual número de elementos

muéstrales.

Afijación Proporcional: La distribución se hace de acuerdo con el peso (tamaño)

de la población en cada estrato.

Afijación Óptima: Se tiene en cuenta la previsible dispersión de los resultados, de

modo que se considera la proporción y la desviación típica. Tiene poca aplicación
ya que no se suele conocer la desviación.

EJEMPLOS:

1) Estudiantes de la Carrera de Medicina 2005

I año =20%
II año=18%
III año =15%
IV año=30%
2) Por ejemplo, si queremos estudiar el tanto por ciento de la población que fuma
en México y pensamos que la edad puede ser un buen criterio para estratificar (es
decir, pensamos que existen diferencias importantes en el hábito de fumar
dependiendo de la edad), podemos definir 3 estratos: menores de 20 años, de 20 a
44 años y mayores de 44 años. Es de esperar que al dividir toda la población
mexicana en estos 3 estratos no resulten grupos de igual tamaño. Efectivamente, si
miramos datos oficiales, obtenemos:

* Estrato 1 - Población Mexicana menor de 19 años: 42,4 millones (41,0%)

* Estrato 2 - Población Mexicana de 20 a 44 años: 37,6 millones (36,3%)

* Estrato 3 - Población Mexicana mayor de 44 años: 23,5 millones (22,7%)

Si usamos muestreo estratificado proporcionado, la muestra deberá tener estratos

que guarden las mismas proporciones observadas en la población. Si en este
ejemplo queremos crear una muestra de 1.000 individuos, los estratos tendrán que
tener un tamaño como sigue:

4.- Muestreo aleatorio por conglomerados: En estadística inferencial los

conglomerados son conjuntos de elementos poblacionales, como pueden ser las
escuelas o los centros hospitalarios públicos de un municipio. Al llevar a cabo este
tipo de muestreo se divide la población (en los ejemplos, una localidad concreta) en
varios conglomerados y se elige de forma aleatoria algunos de ellos para
estudiarlos. Los métodos presentados hasta ahora están pensados para seleccionar
directamente los elementos de la población, es decir, que las unidades muéstrales
son los elementos de la población. En el muestreo por conglomerados la unidad
muestral es un grupo de elementos de la población 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 áreas
geográficas suele hablarse de "muestreo por áreas". El muestreo por
conglomerados consiste en seleccionar aleatoriamente un cierto número de
conglomerados (el necesario para alcanzar el tamaño muestral establecido) y en
investigar después todos los elementos pertenecientes a los conglomerados
elegidos.

EJEMPLOS:

1) Si queremos estudiar qué proporción de la población argentina fuma,

podemos dividir el total de la población en provincias y seleccionar algunas
de ellas para ser estudiadas. Si no tenemos razones de peso para pensar
que el porcentaje de fumadores va a cambiar de una provincia a otra, esta
solución nos permitirá concentrar el esfuerzo de muestreo en un único
entorno geográfico. Si el estudio se va a hacer mediante entrevistas
personales, esto representa un importante ahorro de costes de
desplazamientos. Una vez definimos los conglomerados, el siguiente paso
es seleccionar los conglomerados a estudiar, ya sea mediante un muestreo
aleatorio simple o sistemático.
2) Un investigador desea estudiar el rendimiento académico de los estudiantes
secundarios en España.
 Puede dividir a toda la población (población de España) en diferentes
conglomerados (ciudades).
 Luego, el investigador selecciona una serie de conglomerados en función
de su investigación, a través de un muestreo aleatorio simple o
sistemático.
 Luego, de los conglomerados seleccionados (ciudades seleccionadas al
azar) el investigador puede incluir a todos los estudiantes secundarios
 como sujetos o seleccionar un número de sujetos de cada conglomerado
a través de un muestreo aleatorio simple o sistemático.

Métodos de muestreo no probabilísticos

A veces, para estudios exploratorios, el muestreo probabilístico resulta

excesivamente costoso y se acude a métodos no probabilísticos, aun siendo
conscientes de que no sirven para realizar generalizaciones (estimaciones
inferenciales sobre la población), pues no se tiene certeza de que la muestra
extraída sea representativa, ya que no todos los sujetos de la población tienen la
misma probabilidad de ser elegidos. Los muestreos no probabilísticos utilizan
criterios con un bajo nivel de sistematización que procuran asegurar que la muestra
tenga un cierto grado de representatividad. Este tipo de muestreos se emplean
principalmente cuando no es posible llevar a cabo otros de tipo aleatorio, lo cual es
muy habitual a causa del elevado coste de los procedimientos de control. En general
se seleccionan a los sujetos siguiendo determinados criterios procurando, en la
medida de lo posible, que la muestra sea representativa. En algunas circunstancias
los métodos estadísticos y epidemiológicos permiten resolver los problemas de
representatividad aun en situaciones de muestreo no probabilístico, por ejemplo los
estudios de caso-control, donde los casos no son seleccionados aleatoriamente de
la población. Entre los métodos de muestreo no probabilísticos más utilizados en
investigación encontramos:

1.- Muestreo por cuotas: También denominado en ocasiones "accidental". Se

asienta generalmente sobre la base de un buen conocimiento de los estratos de la
población y/o de los individuos más "representativos" o "adecuados" para los fines
de la investigación. Mantiene, por tanto, semejanzas con el muestreo aleatorio
estratificado, pero no tiene el carácter de aleatoriedad de aquél. Es decir los
investigadores escogen un número concreto de sujetos que cumplan unas
características determinadas. En este tipo de muestreo se fijan unas "cuotas" que
consisten en un número de individuos que reúnen unas determinadas condiciones,
por ejemplo: 20 individuos de 25 a 40 años, de sexo femenino y residentes en Gijón.
Una vez determinada la cuota se eligen los primeros que se encuentren que
cumplan esas características. Este método se utiliza mucho en las encuestas de
opinión.

EJEMPLOS:

1) En un estudio en donde el investigador quiere comparar el rendimiento

académico de los diferentes niveles de clases del secundario, su relación con
el género y la situación socioeconómica, el investigador identifica primero los
subgrupos. Por lo general, los subgrupos son las características o variables del
estudio. El investigador divide a toda la población en niveles de clase, cruzados
con el género y el nivel socioeconómico. Luego, toma nota de las proporciones
de estos subgrupos en toda la población y a continuación hace un muestreo de
cada subgrupo.

2) Se decide realizar una investigación sobre aquellas personas con algún

problema de salud en una empresa. Esta posee 1.000 empleados (población),
por lo que el investigador decide separarlos en estratos según su rango de
edad, de la siguiente manera:

Con los estratos ya segmentados, el investigador decide realizar una muestra

estadística de 100 personas para realizar su investigación, por lo que dicha muestra
deberá estar conformada de forma proporcional al total de la población.
Ante esto, el investigador decide tomar 60 empleados entre 18 y 29 años (60%), 30
empleados de 30 a 59 años (30%) y 10 empleados de 60 a 100 años (10%). Este
criterio de selección fue definido a conveniencia, pues eligió a aquellos empleados
que más confianza y relación tenía con el investigador.
De esta manera queda conformado el muestreo por cuotas de 100 personas de
forma proporcional a la población. A partir de esta muestra, el investigador realizará
su investigación sobre los problemas de salud de los empleados de dicha empresa.

2.- Muestreo intencional o de conveniencia: En el muestreo intencional el

investigador escoge de forma voluntaria los elementos que conformarán la muestra,
dando por supuesto que esta será representativa de la población de referencia. Un
ejemplo que resultará familiar a los estudiantes de psicología es la utilización de
alumnos como muestra opinática por parte de profesores universitarios. Este tipo
de muestreo se caracteriza por un esfuerzo deliberado de obtener muestras
"representativas" mediante la inclusión en la muestra de grupos supuestamente
típicos. Es muy frecuente su utilización en sondeos preelectorales de zonas que en
anteriores votaciones han marcado tendencias de voto. También puede ser que el
investigador seleccione directa e intencionadamente los individuos de la población.
El caso más frecuente de este procedimiento el utilizar como muestra los individuos
a los que se tiene fácil acceso (los profesores de universidad emplean con mucha
frecuencia a sus propios alumnos).

EJEMPLOS:

1) En una escuela a veces hay situaciones en las que un docente selecciona

las primeras dos filas para participar en la competencia, este es un tipo de
ejemplo en cuanto a la proximidad. O también otro ejemplo podría ser cuando
una ONG selecciona las 20 mejores ciudades para que presten sus servicios
en función de la proximidad de su base.
2) Si a un estudiante de marketing se le pide una tarea en la cual debe obtener
comentarios sobre el “alcance del marketing de contenido en el 2018”, este
crearía rápidamente una encuesta en línea y le enviaría un enlace a todos
los contactos de su teléfono para que estos la respondan y las compartan en
sus redes sociales. Además es probable que le pida a sus compañeros que
le ayuden a responder su encuesta porque la necesita para su tarea. Este es
un ejemplo clásico del uso del método de muestreo por conveniencia.
3.- Bola de nieve: En este tipo de muestreo los investigadores establecen contacto
con sujetos determinados; a continuación estos consiguen a nuevos participantes
para la muestra hasta completarla. El muestreo de bola de nieve se usa
generalmente cuando se trabaja con poblaciones de difícil acceso, como en el caso
de adictos a sustancias o de miembros de culturas minoritarias. Se localiza a
algunos individuos, los cuales conducen a otros, y estos a otros, y así 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.

EJEMPLOS:

1) Para obtener sujetos para un estudio que quiere analizar una enfermedad
rara, el investigador puede elegir utilizar el muestreo de bola de nieve, ya que
será difícil obtener sujetos. También es posible que los pacientes con la
misma enfermedad tengan un grupo de apoyo, y si uno de sus miembros es
tu primer sujeto, lo más probable es que allí encuentres más sujetos para el
estudio.
2) Si en un estudio se estuviera investigando el engaño en los exámenes, el
hurto en las tiendas, el uso de drogas o cualquier otro comportamiento social
“inaceptable”, los participantes potenciales serían cautelosos de presentarse
debido a posibles ramificaciones. Sin embargo, es probable que otros
participantes del estudio conozcan a otras personas en la misma situación
que ellos y puedan informar a otros acerca de los beneficios del estudio y
asegurarles la confidencialidad.

4.- Muestreo Discrecional · A criterio del investigador los elementos son elegidos
sobre lo que él cree que pueden aportar al estudio.

EJEMPLOS:

1) Supongamos que el investigador va a realizar un estudio sobre el nivel de

satisfacción del profesorado de cierta universidad. El estudio se suele
 realizar cada dos años, por lo que el responsable del estudio, gracias a su
experiencia y sus antecedentes, sabe perfectamente cual puede ser la
mejor muestra para el estudio.

2) A un jefe de estudios le encomiendan un estudio del nivel de satisfacción de

los alumnos con un determinado profesor. El investigador, que conoce a
todos los alumnos de esa clase, decide utilizar el muestreo
discrecional seleccionando a los alumnos que cree que serán los más
representativos.

FUENTES:

Arturo Torres. (S/A). Los 7 tipos de muestreo y su uso en las Ciencias. Mayo, 23,
2020, de Psicología y Mente Sitio web: https://psicologiaymente.com

DOCUMENTO: MUESTREO, Mayo, 23, 2020

https://explorable.com

https://www.netquest.com
ACTIVIDAD 2:

A) USANDO EL MÉTODO GRÁFICO: TABULAR LA SIGUIENTE LÍNEA RECTA

Y = 3X + 5
X Y (X,Y)

0 5 (0, 5)

2 11 (2, 11)

4 17 (4, 17)

8 29 (8, 29)

B) GRAFICAR LA RECTA (HACER EL TRAZO )

C) HALLAR LOS MÍNIMOS CUADRADOS UTILIZANDO LA FÓRMULA DE LA LÍNEA RECTA Y LOS
VALORES COMO LO MUESTRA EL EJEMPLO.

X Y (X,Y) (x*y) X2

0 5 (0, 5) 0 0

2 11 (2, 11) 22 4

4 17 (4, 17) 68 16

8 29 (8, 29) 232 64

∑ 𝑥: 14 ∑ 𝑦: 62 ∑ 𝑥𝑦: 322 ∑𝑥 2: 84 n= 4
D) DESPEJAR X COMO RESULTADO FINAL.
 ACTIVIDAD 3:
SE PIDE
A) HACER UNA INVESTIGACIÓN DE CADA UNO DE LOS CONCEPTOS COMO LO MUESTRAN LOS
TEMAS.
B) ANOTAR UN EJEMPLO ENCADA SUB TEMA.

CONTROL ESTADÍSTICO DE CALIDAD

1. DESCRIPCIÓN GENERAL DE UNA GRÁFICA DE CONTROL
Una gráfica de control es un diagrama que sirve para examinar si un proceso se
encuentra en una condición estable, o para asegurar que se mantenga en esa
condición.

En estadística, se dice que un proceso es estable (o está en control) cuando las

únicas causas de variación presentes son las de tipo aleatorio. En esta condición
se pueden hacer inferencias con respecto a la salida del proceso, esto es, la
característica de calidad que se esté midiendo. En cambio, la presencia de causas
especiales o asignables hace que el proceso se desestabilice, impidiendo la
predicción de su comportamiento futuro.

Con base en la información obtenida en intervalos determinados de tiempo,

las gráficas de control definen un intervalo de confianza: Si un proceso es
estadísticamente estable, el 99.73% de las veces el resultado se mantendrá dentro
de ese intervalo.

La estructura de las gráficas contiene una “línea central” (LC), una línea superior
que marca el “límite superior de control” (LSC), y una línea inferior que marca el
“límite inferior de control” (LIC). Los puntos contienen información sobre las lecturas
hechas; pueden ser promedios de grupos de lecturas, o sus rangos, o bien las
lecturas individuales mismas. Los límites de control marcan el intervalo de confianza
en el cual se espera que caigan los puntos. (Fuente: https://spcgroup.com.mx)
Las gráficas de control sirven para:

– Determinar el estado de control de un proceso.

– Diagnostica el comportamiento de un proceso en el tiempo.

– Indica si un proceso ha mejorado o ha empeorado.

– Permite identificar las dos fuentes de variación de un proceso.

– Sirve como una herramienta de detección de problemas.

2. GRÁFICA DE CONTROL PARA VARIABLES

Las gráficas de control de variables grafican datos de procesos de medición

continua, tales como longitud o presión, en una secuencia ordenada por tiempo. En
contraste, las gráficas de control de atributos grafican datos de conteo, tales como
el número de defectos o unidades defectuosas. Las gráficas de control de variables,
las gráficas de variables, como todas las gráficas de control, ayudan a identificar las
causas de variación que se deben investigar, de manera que usted pueda ajustar
su proceso sin controlarlo exageradamente.

Existen dos tipos principales de gráficas de control de variables: gráficas para datos
recopilados en subgrupos y gráficas para mediciones individuales.

Gráficas de control de variables para datos de subgrupos

Cada punto en la gráfica

representa a un subgrupo; es
decir, a un grupo de unidades
producidas en las mismas
condiciones. Por ejemplo,
usted desea graficar una
medición particular de su
proceso. Si recoge y mide
cinco partes cada hora, el
tamaño de su subgrupo debería ser 5.

Gráficas de control de variables para datos individuales

Cada punto en la gráfica

representa una medición
individual; de esta manera, el
tamaño del subgrupo es 1. Las
gráficas de observaciones
individuales se utilizan cuando
las mediciones son costosas, el
volumen de producción es bajo o
los productos tienen un tiempo
largo entre ciclos; por ejemplo, para probar la resistencia al impacto de las piezas
(pruebas de destrucción). Las gráficas de control de observaciones individuales
incluyen gráficas I y MR. (Fuente: https://support.minitab.com)

3. MUESTREO DE APLICACIÓN

El concepto de muestreo de aceptación va asociado a inspección, por lo que acarrea

todos los problemas que supone confiar la calidad en la inspección. Sin embargo,
esto no es achacable al muestreo en sí, ya que este mismo inconveniente lo tiene
la inspección 100%. La primera cuestión que se plantea ante una inspección de
recepción es si se realiza un muestreo o si es preciso una inspección al 100%.
Deming demuestra que la situación óptima (mínimo coste esperado) es:

De acuerdo con este criterio, el muestreo no tiene sentido. No obstante hay que
tener en cuenta lo siguiente:

♦ La inspección por medios destructivos no puede ser 100% por razones obvias.

♦ En el caso de lotes muy grandes la inspección 100% deja de ser 100% fiable
debido a factores como la fatiga, etc.

Además en lotes grandes la relación entre el tamaño de la muestra requerida y el

tamaño del lote decrece, por lo que el empleo de métodos de muestreo puede estar
justificado. (Fuente: https://web.cortland.edu)
 4. MUESTREO LOTE POR LOTE

La formación de un lote puede influir

en la eficacia del plan de muestreo
de aceptación. A continuación se
enuncia tres recomendaciones para
formar los lotes, aunque una de ellas
se debe ver como reserva. Los lotes
deben ser homogéneos. Es decir, las
unidades que forman un lote en
particular deben haber sido
fabricadas bajo condiciones
similares en cuanto a máquinas, operadores, materia prima, tiempo (fechas),
etcétera. Cuando el lote se forma mezclando unidades de diferentes fuentes, el
muestreo de aceptación no es tan efectivo como se debe. Además la existencia de
lotes no homogéneos hace más difícil tomar acciones correctivas que eliminan la
causa de los productos defectuosos. De esa manera, cuando se forme un pedido o
embarque es mejor inspeccionar cada lote individual y evitar aplicar la inspección a
todo el pedido después de que se han mezclado lotes. Los lotes deben ser formados
de manera que no compliquen el manejo de materiales del proveedor y del cliente.
Todos los artículos de los lotes deben ser empaquetados y embarcados con un
mínimo de riesgo y de forma que la selección de unidades de la muestra sea
relativamente fácil. (Fuente: http://igecalidad.blogspot.com)

La formación de un lote puede influir en la eficacia del plan del muestreo de

aceptación. A continuación se enuncian tres recomendaciones típicas para formas
lo lotes, aunque una de ellas se debe ver con reserva.

 1. Los lotes deben ser homogéneos, es decir, las unidades que forman un lote
en particular deben haber sido fabricadas bajo condiciones similares en cuanto
a: máquinas, operadores, materia prima, tiempo (fechas), etc. cuando el lote
forma mezclando unidades de diferentes fuentes, al muestreo de aceptación no
funciona tan efectivamente como se debe.

 2. Los lotes deben ser formados de tal manera que no compliquen el manejo de
materiales de proveedor y del cliente. Todos los artículos de los lotes deben ser
empaquetados y embarcados con un mínimo de riesgo y de tal forma que la
selección de unidades de la muestra sea relativamente fácil.

 3. Con las reservas del caso, los lotes deben ser tan grande como sea posible.
Esto debido al menor costo y mayor eficiencia de la inspección, ya que con lotes
grandes es necesario inspeccionar menos proporcionalmente que con los lotes
pequeños, y además los planes resultantes a partir de tamaños de lote grande
tienen una mayor capacidad de detectar los lotes de mala calidad.

Selección de muestra

Todos los planes de muestreo de aceptación basan su funcionamiento en que las

unidades seleccionadas para la inspección sean representativas de todo el lote. De
aquí que la selección de las unidades que forman la muestra debe hacerse
aplicando un método de muestreo aleatorio. La técnica de muestreo es muy
importante y la que a menudo se sugiere en el muestreo aleatorio simple, en la que
se asigna un número a cada artículo del lote. Entonces entre 1 y el número máximo
de unidades en el lote se selecciona aleatoriamente n números. Esta sucesión de
números aleatorios determina cuales artículos constituyen la muestra. Si
los productos están seriados o tienen un código de números, estos pueden ser
utilizados para desarrollar el muestreo aleatorio. (Fuente:
https://www.monografias.com)

5. MUESTREO PARA PRODUCCIÓN CONTINUA

Representa un procedimiento de
inspección por aceptación y
rectificación que incluye
periodos alternativos de
inspección al 100 por 100 y de
inspección por muestreo.

Sus ventajas son:

- No es preciso formar lotes

para la producción
- Se puede entregar el
producto tan pronto se termine
- La necesidad de disponer
espacio
- Menor costo de inspección
- El departamento de producción recibe información sobre artículos
defectuosos tan pronto se detecta

(Fuente: https://prezi.com/)
ACTIVIDAD 4

A) DAR UN SOLO EJEMPLO DE GRÁFICA DE CONTROL ENFOCADO A UNA EMPRESA, EN DONDE

SE PUEDAN OBSERVAR CUANDO MENOS 2 LOS PUNTOS DE CADA SUBTEMA.

Ejemplo de Gráfica de Control

Todos los días se tomaban muestras de las formas llenas, de un departamento en

particular, en una compañía de seguros para revisar la calidad del desempeño de
ese departamento. Con el fin de establecer una norma tentativa para el
departamento, se tomó una muestra de 300 unidades al día (n=300) durante 10
días, obteniendo los siguientes resultados:

Se desarrolló una gráfica de proporciones o gráfica p utilizando un intervalo de

confianza de un 90% para las 10 muestras recolectadas.

En primer lugar calculamos el promedio de unidades defectuosas para cada una de

las muestras (celdas color celeste). Por ejemplo la muestra 1 presenta 10 defectos
(de un total de 300 unidades inspeccionadas), en consecuencia el porcentaje de
defectos de dicha muestra corresponde aproximadamente a un 3,33% (10/300).
Luego se obtiene el promedio de unidades defectuosas del total de las muestras
(celda amarilla) correspondiente a un 3,03% (se obtiene de
[3,33%+2,67%+3,00%+…+2,67%]/10).
 A continuación se procede con la estimación de la desviación estándar (Sp):

De la tabla de la distribución normal estándar un intervalo de confianza de un 90%

equivale a definir los límites de control a 1,645*Sp. Con esto podemos calcular
el Límite de Control superior (LCS) y Límite de Control Inferior
(LCI) respectivamente (notar que los resultados han sido aproximados).
 LCS = 3,03% + 1,645*0,9896% = 4,66%
 LCI = 3,03% – 1,645*0,9896% = 1,40%
A continuación y con la ayuda de Excel se procede a graficar los límites de control
(líneas verdes y violeta), el promedio de unidades defectuosas de cada una de las
muestras (línea azul) y el promedio de defectos total (línea roja). El proceso se
encuentra bajo control estadístico. Los promedios de defectuosos se encuentran
dentro de los límites de control estadístico.
Si en cambio los límites de control se definen a un σ del promedio de defectos será
necesario recalcular los límites de control estadístico obteniendo los siguientes
resultados (aproximados):

LCS = 3,03% + 0,9896% = 4,02%

LCI = 3,03% – 0,9896% = 2,04%

Al estrechar los límites de control el proceso ya no se encuentra bajo control

estadístico. La muestra n° 4 presenta un porcentaje de defectuosos mayor al LCS.
ACTIVIDAD 5

A) INVESTIGA LOS CONCEPTOS DE CADA SUBTEMA

B) ELABORA UN CUESTIONARIO DE ÚNICAMENTE 10 PREGUNTAS CON SUS RESPUESTAS.

PRUEBAS DE HIPÓTESIS

TERMINOLOGÍA

Al realizar pruebas de hipótesis, se parte de un valor supuesto (hipotético) en

parámetro poblacional. Después de recolectar una muestra aleatoria, se compara
la estadística muestral, así como la media (x), con el parámetro hipotético, se
compara con una supuesta media poblacional (). Después se acepta o se rechaza
el valor hipotético, según proceda. Se rechaza el valor hipotético sólo si el resultado
muestral resulta muy poco probable cuando la hipótesis es cierta.

Etapa 1.- Planear la hipótesis nula y la hipótesis alternativa. La hipótesis nula (H0)
es el valor hipotético del parámetro que se compra con el resultado muestral resulta
muy poco probable cuando la hipótesis es cierta.

Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de

significancia del 5%, entonces se rechaza la hipótesis nula solamente si el resultado
muestral es tan diferente del valor hipotético que una diferencia de esa magnitud o
mayor, pudiera ocurrir aleatoria mente con una probabilidad de 1.05 o menos.

Etapa 3.- Elegir la estadística de prueba. La estadística de prueba puede ser la

estadística muestral (el estimador no segado del parámetro que se prueba) o una
versión transformada de esa estadística muestral. Por ejemplo, para probar el valor
hipotético de una media poblacional, se toma la media de una muestra aleatoria de
esa distribución normal, entonces es común que se transforme la media en un valor
z el cual, a su vez, sirve como estadística de prueba.

Consecuencias de las Decisiones en Pruebas de Hipótesis.

Etapa 4.- Establecer el valor o valores críticos de la estadística de prueba.
Habiendo especificado la hipótesis nula, el nivel de significancia y la estadística de
prueba que se van a utilizar, se produce a establecer el o los valores críticos de
estadística de prueba. Puede haber uno o más de esos valores, dependiendo de si
se va a realizar una prueba de uno o dos extremos.

Etapa 5.- Determinar el valor real de la estadística de prueba. Por ejemplo, al probar
un valor hipotético de la media poblacional, se toma una muestra aleatoria y se
determina el valor de la media muestral. Si el valor crítico que se establece es un
valor de z, entonces se transforma la media muestral en un valor de z.

Etapa 6.- Tomar la decisión. Se compara el valor observado de la estadística

muestral con el valor (o valores) críticos de la estadística de prueba. Después se
acepta o se rechaza la hipótesis nula. Si se rechaza ésta, se acepta la alternativa;
a su vez, esta decisión tendrá efecto sobre otras decisiones de los administradores
operativos, como por ejemplo, mantener o no un estándar de desempeño o cuál de
dos estrategias de mercadotecnia utilizar.

La distribución apropiada de la prueba estadística se divide en dos regiones: una

región de rechazo y una de no rechazo. Si la prueba estadística cae en esta última
región no se puede rechazar la hipótesis nula y se llega a la conclusión de que
el proceso funciona correctamente.

Al tomar la decisión con respecto a la hipótesis nula, se debe determinar el valor

crítico en la distribución estadística que divide la región del rechazo (en la cual la
hipótesis nula no se puede rechazar) de la región de rechazo. A hora bien el valor
crítico depende del tamaño de la región de rechazo. (Fuente:
https://www.monografias.coml)

PRUEBA DE UNO A DOS EXTREMOS

De un extremo: Se contrasta que el valor del parámetro sea notablemente mayor o
menor al fijado en la hipótesis nula.
De dos extremos: Se contrasta que el valor sea diferente al establecido en la
hipótesis nula, es decir, puede ser notablemente mayor o menor
El tipo de prueba se define con la hipótesis alternativa.

En la prueba de hipótesis se buscará un valor crítico, a partir del cual se rechazará

todo resultado en la prueba que se encuentra en esta zona (región de rechazo).

Cuando la prueba es de una cola, la región de rechazo se localizará en un extremo

de la distribución del estadístico de prueba; y si es de dos extremos, en los extremos
de la distribución. (Fuente: http://132.248.48.64/repositorio)

CURVA CARACTERÍSTICA OPERATIVA Y CURVA DE POTENCIA

La Curva Característica de Operación (o Curva Característica Operativa) consiste
en una representación gráfica que muestra para un plan de muestreo específico
(n,c) la probabilidad de aceptación del lote, para varios valores de calidad del lote a
la entrada p (% de unidades defectuosas). Una Curva Característica de Operación
tendrá entre sus puntos uno definido por el NCA y 1-α y otro punto definido por
PTDL y β.
Para determinar la probabilidad de aceptación de un lote, se pueden utilizar las
distribuciones Binomial o Poisson. Cuando el tamaño de la muestra es al menos 15
unidades (n>15), el tamaño del lote es al menos 10 veces el tamaño de la muestra
(N>10*n) y el porcentaje de unidades defectuosas históricamente es menor a un
10% (p<10%), es preferible la Distribución de Poisson debido a la facilidad de los
cálculos.
La curva de potencia grafica la potencia de la prueba versus la diferencia entre las
medias.
Interpretación

Utilice la curva de potencia para evaluar el tamaño de la muestra o la potencia

adecuadas para la prueba. (Fuente: https://www.gestiondeoperaciones.net)

La curva de potencia representa todas las combinaciones de potencia y diferencia

para cada tamaño de muestra cuando el nivel de significancia y la desviación
estándar se mantienen constantes. Cada símbolo en la curva de potencia
representa un valor calculado con base en los valores que usted ingresa. Por
ejemplo, si usted ingresa un tamaño de muestra y un valor de potencia, Minitab
calcula la diferencia correspondiente y muestra el valor calculado en la gráfica.

Examine los valores de la curva para determinar la diferencia entre las medias que
se puede detectar con cierto valor de potencia y tamaño de muestra. Por lo general,
un valor de potencia de 0.9 se considera adecuado. Sin embargo, algunos
profesionales consideran que un valor de potencia de 0.8 funciona adecuadamente.
Si una prueba de hipótesis tiene poca potencia, usted pudiera no detectar una
diferencia que sea significativa desde el punto de vista práctico. Si usted aumenta
el tamaño de la muestra, la potencia de la prueba también aumenta. Conviene tener
suficientes observaciones en la muestra para lograr la potencia adecuada. Sin
embargo, no debe tener un tamaño de muestra tan grande que le haga perder
tiempo y dinero en un muestreo innecesario o detectar diferencias poco importantes
para ser estadísticamente significativas. Si reduce el tamaño de la diferencia que
desea detectar, la potencia también disminuye. (Fuente:
https://support.minitab.com)

MUESTRA ERRORES TIPO I Y TIPO II.

Error de tipo I
Si usted rechaza la hipótesis nula cuando es verdadera, comete un error de
tipo I. La probabilidad de cometer un error de tipo I es α, que es el nivel de
significancia que usted establece para su prueba de hipótesis. Un α de 0.05
indica que usted está dispuesto a aceptar una probabilidad de 5% de estar
 equivocado al rechazar la hipótesis nula. Para reducir este riesgo, debe
utilizar un valor menor para α. Sin embargo, usar un valor menor para alfa
significa que usted tendrá menos probabilidad de detectar una diferencia si
está realmente existe.

Error de tipo II
Cuando la hipótesis nula es falsa y usted no la rechaza, comete un error de
tipo II. La probabilidad de cometer un error de tipo II es β, que depende de la
potencia de la prueba. Puede reducir el riesgo de cometer un error de tipo II
al asegurarse de que la prueba tenga suficiente potencia. Para ello,
asegúrese de que el tamaño de la muestra sea lo suficientemente grande
como para detectar una diferencia práctica cuando esta realmente exista.

La probabilidad de rechazar la hipótesis nula cuando es falsa es igual a 1–β.

Este valor es la potencia de la prueba. (Fuente: https://support.minitab.com)

PROCEDIMIENTOS PARA PRUEBAS DE HIPÓTESIS

1. Especificar las hipótesis.

En primer lugar, el gerente formula las hipótesis. La hipótesis nula es: la

media de la población de todos los tubos es igual a 5 cm. Formalmente, esto
se escribe como: H0: μ = 5

Luego, el gerente elige entre las siguientes hipótesis alternativas:

 Hipótesis
Condición que se probará alternativa

La media de la población es menor que el unilateral: μ < 5

objetivo.

La media de la población es mayor que el unilateral: μ > 5

objetivo.

La media de la población es diferente del bilateral: μ ≠ 5

objetivo.

Como tiene que asegurarse de que los tubos no sean más grandes ni más
pequeños de 5 cm, el gerente elige la hipótesis alternativa bilateral, que
indica que la media de la población de todos los tubos no es igual a 5 cm.
Formalmente, esto se escribe como H1: μ ≠ 5

2. Elegir un nivel de significancia (también denominado alfa o α).

El gerente selecciona un nivel de significancia de 0.05, que es el nivel de

significancia más utilizado.

3. Determinar la potencia y el tamaño de la muestra para la prueba.

El gerente utiliza un cálculo de potencia y tamaño de la muestra para

determinar cuántos tubos tiene que medir para tener una buena probabilidad
de detectar una diferencia de 0.1 cm o más con respecto al diámetro objetivo.
 4. Recolectar los datos.

Recoge una muestra de tubos y mide los diámetros.

5. Comparar el valor p de la prueba con el nivel de significancia.

Después de realizar la prueba de hipótesis, el gerente obtiene un valor p de

0.004. El valor p es menor que el nivel de significancia de 0.05.

6. Decidir si rechazar o no rechazar la hipótesis nula.

El gerente rechaza la hipótesis nula y concluye que el diámetro medio de

todos los tubos no es igual a 5 cm. (Fuente: https://support.minitab.com)

DIFERENCIA ENTRE MEDIA MUESTRAL Y MEDIA POBLACIONAL

La media poblacional toda la totalidad de los datos para realizar la estimación,
mientras que la media muestra se basa en una muestra significativa de esa
población.

DIFERENCIA ENTRE DOS MEDIDAS MUESTRALES

Suponga que se tienen dos poblaciones distintas, la primera con media 1y

desviación estándar 1, y la segunda con media 2 y desviación estándar

2. Más aún, se elige una muestra aleatoria de tamaño n1 de la primera población y
una muestra independiente aleatoria de tamaño n2 de la segunda población; se
calcula la media muestral para cada muestra y la diferencia entre dichas medias. La
colección de todas esas diferencias se llama distribución muestral de las diferencias

entre medias o la distribución muestral del estadístico

La distribución es aproximadamente normal para n1 30 y n2 30. Si las
poblaciones son normales, entonces la distribución muestral de medias es normal
sin importar los tamaños de las muestras.

En ejercicios anteriores se había demostrado que y que , por lo que

no es difícil deducir que y que .

La fórmula que se utilizará para el cálculo de probabilidad del estadístico de

diferencia de medias es:

Fuente: (http://www.itchihuahua.edu.mx)
DIFERENCIA ENTRE UNA PROPORCIÓN MUESTRAL Y UNA
PROPORCIÓN POBLACIONAL.
Cuando se requiere investigar la proporción de algún atributo en una muestra
(variables cualitativas), la distribución muestral de proporciones es la adecuada para
dar respuesta a dichas situaciones. Esta distribución se genera de igual manera que
la distribución muestral de medias, a excepción de que al extraer las muestras de la
población, se calcula el estadístico proporción (p=x/n en donde "x" es el número de
éxitos u observaciones de interés y "n" el tamaño de la muestra), en lugar del
estadístico promedio. La fórmula que se utilizará para el cálculo de probabilidad en
una distribución muestral de proporciones, está basada en la aproximación de la
distribución normal a la binomial. Esta fórmula servirá para calcular la probabilidad
del comportamiento de la proporción en la muestra.

Si es una población finita:

Como podemos ver una depende de la otra.

Fuente: http://virtual.umng.edu.co
CUESTIONARIO:
1. ¿cuál es la hipótesis nula?

La hipótesis nula (H0) es el valor hipotético del parámetro que se compra con el
resultado muestral resulta muy poco probable cuando la hipótesis es cierta.

2. ¿Cuál es la diferencia entre la prueba de uno y dos extremos?

La de un extremo se contrasta que el valor del parámetro sea notablemente mayor

o menor al fijado en la hipótesis nula mientras que la de dos se contrasta que el
valor sea diferente al establecido en la hipótesis nula, es decir, puede ser
notablemente mayor o menor

3. ¿En qué consiste la Curva Característica de Operación?

Consiste en una representación gráfica que muestra para un plan de muestreo
específico (n,c) la probabilidad de aceptación del lote, para varios valores de calidad
del lote a la entrada p (% de unidades defectuosas).

4. ¿Qué representa la curva de potencia?

La curva de potencia representa todas las combinaciones de potencia y diferencia
para cada tamaño de muestra cuando el nivel de significancia y la desviación
estándar se mantienen constantes.

5. ¿Qué es la muestra de error tipo I?

Cuando rechaza la hipótesis nula cuando es verdadera, comete un error de tipo I

6. ¿Cuándo sucede el error tipo II?

Cuando la hipótesis nula es falsa y usted no la rechaza

7. ¿Cuáles son los pasos para la prueba de hipótesis?

 Especificar las hipótesis.

 Elegir un nivel de significancia (también denominado alfa o α).

 Determinar la potencia y el tamaño de la muestra para la prueba.

  Recolectar los datos.

 Comparar el valor p de la prueba con el nivel de significancia.

 Decidir si rechazar o no rechazar la hipótesis nula.

8. ¿Cuál es la diferencia entre media muestral y poblacional?

La media poblacional toda la totalidad de los datos para realizar la estimación,

mientras que la media muestra se basa en una muestra significativa de esa
población.

9. ¿Cuándo es adecuado el uso de la distribución muestral?

Cuando se requiere investigar la proporción de algún atributo en una muestra
(variables cualitativas), la distribución muestral de proporciones es la adecuada para
dar respuesta a dichas situaciones.

10. ¿Cuál es la fórmula para calcular la probabilidad de comportamiento de la

proporción en la muestra?
 ALUMNO: Jorge Antonio
NÚMEROS Fernández Ortiz
ÍNDICES
MATERIA: Estadística
La estadística descriptiva Inferencial

nos dice que un número

MAESTRA: Julieta Corte
índice es un relativo que Muñoz
expresa la variación de

un precio, cantidad o

valor en comparación

de un periodo.

Actualmente toman un

lugar muy importante

para la administración

como indicadores de las

actividades económicas

convirtiéndose en un

procedimiento

altamente aceptable.

UNIVERSIDAD METROPOLITANA DE XALAPA

 Los números índices son una medida
estadística que permite comparar una
magnitud simple o compleja en dos
situaciones diferentes respecto al
tiempo o al espacio tomando una de
ellas como referencia.
Al período inicial se le denomina
período base o referencia y se le
asigna el valor 100, en cambio, la
situación que deseamos comparar se
denomina período actual o corriente.
Para las comparaciones hay que tener
C L A S I F I C A C I Ó N
Cuando solamente esta comprendido un
solo producto o mercancía el índice se
llama índice simple en tanto que una
corporación que comprende un grupo
de elementos recibe el nombre de
número compuesto. Los números índices
les ofrecen una forma de medir tales
cambios.
El índice de precios compara niveles de
precios de un período a otro. El índice de
precios al consumidor (IPC) mide los
cambios globales de precios de una
variedad de bienes de consumo y

NÚMEROS en cuenta dos aspectos importantes: de servicios, y se le utiliza para definir

el costo de vida.

INDICES Fijar la situación inicial (de forma

Es un indicador de tendencia central
de un conjunto de elementos que
generalmente se expresa como
porcentaje.
Se clasifican en:
Simples: recogen la evolución del
precio, la cantidad o el valor de un
único bien o producto.
Compuestos sin ponderar: y
ponderados
Y según el tipo de magnitud: índices
de precios, de cantidades y de
valores.
arbitraria) a la que se referirán las  El índice de cantidad mide qué
comparaciones. Señalar que la tanto cambia el número o la cantidad de
elección de la situación inicial una variable en el tiempo.
condiciona el resultado de la
comparación, por lo que el punto de
El índice de valor mide los cambios en el
referencia inicial debe ser el más
idóneo posible a los objetivos que se valor monetario total; es decir, mide los
persiguen. cambios en el valor en pesos de una
variable, combina los cambios
en precio y cantidad para presentar un
Las magnitudes que se comparan
pueden ser simples o complejas, lo índice con más información.
que nos introduce en el problema de
la construcción de sistemas de
comparación adecuados. Una
magnitud compleja es comparar la
producción de un mismo país en dos
épocas diferentes o la producción
global de dos países. No olvidemos
que la producción es una magnitud
compleja compuesta por
magnitudes simples heterogéneas
(unidades de producción, litros,
kilogramos, etc.)
FÓRMULAS SEGÚN EL TIPO DE MAGNITUD