ESTADÍSTICA APLICADA

A LA INVESTIGACIÓN
EMPRESARIAL

Módulo 2: Muestreo e
Inferencia Estadística
 ÍNDICE

MÓDULO II: MUESTREO E INFERENCIA ESTADISTICA Pag.

I. MUESTREO. TIPOS DE MUESTREO. APLICACIONES…………… 3

Módulo I
II. INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE PARÁMETROS… 10

III. INTERVALOS DE CONFIANZA……………………………………….. 13

IV. TAMAÑO DE LA MUESTRA………………………………………….... 16

 MÓDULO II
MUESTREO E INFERENCIA ESTADISTICA

I. Muestreo. Tipos de Muestreo. Aplicaciones.

1.1. Muestreo.
El muestreo es una herramienta de la investigación científica, cuya función básica es
determinar que parte de una población debe examinarse, con la finalidad de hacer
inferencias sobre dicha población.
La muestra debe lograr una representación adecuada de la población, en la que se
reproduzca de la mejor manera los rasgos esenciales de dicha población que son
importantes para la investigación. Para que una muestra sea representativa, y por lo
tanto útil, debe de reflejar las similitudes y diferencias encontradas en la población, es
decir ejemplificar las características de ésta.

Los problemas más corrientes que se presentan en la práctica, cuando se procede a

investigar las características de una población estadística es la imposibilidad de
estudiar a cada uno de los individuos u objetos que la conforman; por ello debemos
depender de un subconjunto o parte de la población como base para llegar a hipótesis
relacionadas a varias características o parámetros de ella. Por lo tanto, en estos casos
resulta más conveniente por razones de economía, tiempo y eficiencia analizar una
muestra que es un número determinado de individuos u objetos de la población y
suponer que se pueden ver en ellos con cierto grado de confianza lo que se quiere
conocer acerca del universo de donde provienen.

El estudio de estos aspectos recae sobre la estadística inductiva o inferencial cuya

finalidad es obtener conocimientos sobre algún conjunto extenso de datos, a partir de
muestras de los mismos, que permitan la inferencia de los resultados estadísticos, los
cuales representan cálculos aritméticos realizados sobre los valores obtenidos de la
muestra de la población que ha sido seleccionada rigurosamente.

Para que estos datos estadísticos sean de utilidad tienen que presentar dos
características básicas:

3
 Deben ser pertinentes; es decir, deben guardar una relación con el tema a
investigar.
 Deben ser insesgado; es decir no deben tener deformaciones o errores
provenientes de los instrumentos empleados en la recolección de los datos.

Para que una muestra sea aceptable desde el punto de vista del análisis estadístico
deberá reunir las siguientes características:
 Deberá seleccionarse de manera que sea representativa1 de la población de la cual
se obtuvo.
 La muestra además de permitir obtener estimaciones de características de la
población (totales, promedios, porcentajes, entre otros) deberá proporcionar
medidas de la precisión de dichas estimaciones.
 La muestra debe ser bastante reducida para evitar gastos innecesarios y lo bastante
amplia para que el error de muestreo sea admisible y además debe reunir las
exigencias de eficiencia, representatividad, seguridad y flexibilidad.

A grandes rasgos la aplicación del muestreo es aconsejable principalmente en los

siguientes casos:
 Cuando la población sea infinita o tan grande que sea imposible la enumeración
completa de cada uno de los elementos o unidades.
 Cuando la población tenga las mismas características tal que una muestra sea
una imagen aceptable de la misma población.
Con respecto a la parte técnica operacional y administrativa tenemos:
o Economía de tiempo y dinero
o Ampliación del alcance de una investigación.
o Mejor formación y control del personal que interviene en la investigación.
o Mayor control, calidad, rapidez y eficiencia en el procesamiento y publicación de
los datos.
o Permite la verificación posterior a una investigación utilizando menor personal y
otros recursos.
o Mayor confiabilidad y precisión de los datos obtenidos.

Por otra parte, la aplicación del muestreo presenta algunas limitaciones comunes entre
las cuales tenemos:

4
  No permite hacer cálculos, proyecciones o tabulaciones con respecto a sectores
pequeños de una población o cuando se requiere información de cada elemento
de la población, ya que las dudas serían tan importantes que no es posible tener
una acertada predicción en base de la muestra.
 El cálculo de los resultados está sujeto a los errores del muestreo en sí y de
errores ajenos al muestreo.
 Las investigaciones completas ofrecen un margen más sólido y eficiente de
exactitud que los obtenidos en base a la muestra.
 En base a una muestra se dificulta la tabulación cruzada de algunas
características investigadas.
 Las probabilidades de error se multiplican en las diferentes operaciones y en las
complicaciones que surjan de su propio mecanismo.
 La preparación estadístico-matemática del muestrista para el diseño eficiente de
la muestra en todas sus etapas.

1.2. Tipos de muestreo

Existen dos tipos generales para seleccionar muestras a partir de las poblaciones; el
primero es el muestreo probabilístico: son aquellos en donde la operación del muestreo
es controlada objetivamente, es decir, son muestras escogidas al azar. Después,
tenemos los muestreos no probabilísticas: son aquellos en donde la operación del
muestreo es realizado en forma subjetiva, al menos parcialmente, lo que significa que
los resultados obtenidos de la muestra pudiesen no ser representativos de la
población.

1. Muestreos Probabilísticos
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:

5
A. Muestras Aleatorias Simples: en este tipo de muestreo cada uno de los
individuos de la población tiene la misma posibilidad de ser elegido. El cual
puede ser con reemplazo y sin reemplazo. En este caso, para dar la seguridad
de que la muestra aleatoria no sea viciada, debe emplearse para su constitución
una tabla aleatoria o procesos electrónicos aleatorios.

Este tipo de muestreo resulta más económico que otros procedimientos

aleatorios, además asegura la equiprobabilidad de la elección, sin embargo, su
limitante radica en que no provee suficientes casos de grupos minoritarios.

Para su aplicación es necesario los siguientes pasos:

• Realizar un listado de todos los integrantes de la población y enumerar a cada

uno de ellos.
• Para la selección de los sujetos de la muestra utilizar una tabla de números
aleatorios o un procedimiento similar utilizando medios electrónicos.
• Administrar los instrumentos de recopilación de datos a los sujetos
seleccionados. Aquellos sujetos que por alguna razón no sean sometidos a
observación integrarán la categoría mortalidad experimental

Por ejemplo; en la UE “Guillermo Tell” ubicado en Barrancas, Municipio Cruz

Paredes, el profesor de Física quiere conocer la comprensión por parte de los
alumnos de 9no grado sección A, del tema de transformaciones y despejes
desarrollado en clase, para ello, necesita una muestra de 5 alumnos de un total
de 36, los cuales se encuentran enumerados en la carpeta de la asistencia.

 El profesor procede a buscar números al azar usando la calculadora, de

donde obtiene los siguientes resultados: 18, 5, 1, 29 y 16.

B. Muestras por Conglomerados: consiste en sustituir las unidades físicas,

elementales o últimas a las cuales se refiere el estudio, por unidades de
muestreo que comprendan un grupo de aquellas. Por lo que es un tipo de
muestreo más económico y rápido que el aleatorio simple ya que facilita el
trabajo de los investigadores de campo. Sin embargo pueden tener cierta pérdida
de aleatoriedad en el procedimiento y disminución de la precisión de sus
resultados, en el caso que el número de conglomerados sea menor de 30. Los
pasos a seguir son los mismos que el grupo anterior (muestreo aleatorio simple).

6
Por ejemplo, el Jefe de la Zona Educativa – Barinas, quiere analizar, el
rendimiento en el área de Física del 9no grado en el Municipio Barinas; para ello
necesita seleccionar 50 Unidades Educativas de un total de 200.

 Entonces, se realiza un listado de todas la Unidades Educativas, donde se

imparta 9no grado; luego se utiliza los pasos del ejemplo anterior.

C. Muestras Estratificadas: consiste en dividir la población en subpoblaciones,

dentro de cada una de las cuales se hace una selección aleatoria simple como
en los casos anteriores. Este tipo de muestreo permite una muestra más
homogénea. En este caso, encontramos la muestra estratificada proporcional la
cual consiste en distribuir la muestra proporcionalmente al número de elementos
de cada estrato y la muestra estratificada uniforme la cual reparte por igual la
muestra entre todos los estratos.

D. Muestras Sistemáticas: Este tipo de muestreo consiste en escoger una

unidad al azar y luego selecciona cada unidad que se encuentre a m unidades
de aquella. Esta técnica suele ser más rápida y está menos expuesta a errores
que la del muestreo aleatorio simple. Generalmente, se emplea cuando se quiere
seleccionar elementos de un estrato, en un diseño estratificado. Por ejemplo, se
desea escoger una muestra probabilística de 16 hospitales, de una lista de 160
hospitales.

Una manera de obtener una muestra es: N/n = IM; 160/16=10

Procedemos a seleccionar un número entre 1 y 10, tomamos el 3, entonces a=3

1. a = 3
2. a + 10 = 13
3. a + 2(10) = 23
4. a + 3(10) = 33
5. a + 4(10) = 43; Continuamos de la misma forma para obtener los demás
resultados.
Se incluirán en la muestra los hospitales con los números: 3, 13, 23, 33, 43, 53,
63, 73, 83, 93, 103, 113, 123, 133, 143, 153.

7
2. Muestreos 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. 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:

A. Muestras a Conveniencia: Es aquella muestra seleccionada de acuerdo a la

comodidad del investigador; los elementos de este tipo de muestra son escogidos en
forma simple porque se tiene acceso a ellos. Carecen de validez externa y confiabilidad,
además presentan sesgos de muestreo por criterios arbitrarios de selección de los
sujetos (aunque el investigador no los advierta). Por ejemplo; se desea estudiar la
disciplina del Colegio “Padre José María Veláz”; para ello el profesor Carlos toma como
muestra a la sección de 8vo A, donde el cumple funciones como profesor guía.

B. Muestras Intencionadas o Racionales: Es aquella muestra seleccionada a través

del juicio de un experto en la materia de estudio. Mediante este enfoque los especialistas
escogen lo que creen es la muestra representativa. Es rápida y de bajo costo. No
requiere entrenamiento de entrevistadores. Es muy útil para estudios exploratorios ya
que permiten la optimización de instrumentos de observación. Además, permiten la
formulación de hipótesis. Su limitación está en que carece de validez externa y
confiabilidad al intentar generalizar hacia grupos mayores. Por ejemplo; en la EB “María
Montessori” ubicada en San Cristóbal, Estado Táchira, la psicopedagoga desea estudiar

8
 el bajo rendimiento académico, para ello toma como muestras aquellos alumnos que
presentan dificultades de aprendizaje.

C. Muestras por Cuotas: Entre los tipos de muestreo no probabilísticos es el más

empleado. Es similar al muestreo estratificado, ya que en ambos tipos el universo que
va a estudiarse se divide en grupos o estratos y se distribuye la muestra total entre los
grupos. Es rápido y eficiente, además puede servir para un ensayo preliminar de dicha
técnica, sin embargo, el sesgo del entrevistador para elegir los sujetos es su defecto
más evidente. Por ejemplo; en la Universidad de Los Andes – Táchira se quiere estudiar
las estudiantes solteras, con hijos o embarazadas, o estudiantes varones de pelo largo
y con aros. Entonces, cada entrevistador selecciona por su cuenta y entrevista con
ayuda de una lista (entrevista dirigida).

1.3. Aplicaciones:
Imaginemos que hemos de recoger una muestra de 20 estudiantes entre los 600 de la
facultad de contabilidad de la USMP.
Muestreo aleatorio simple
Elegiríamos un alumno al azar (probabilidad de elegirlo 1 600. Lo devolvemos
a la población y se elige otro (probabilidad de elegirlo 1 600), y así hasta 20.
Notemos que si no devolviésemos al alumno, entonces, la probabilidad de
escoger al 2º alumno sería 1 599, y ya no todos tendrían la misma probabilidad
de ser elegidos. El problema es que entonces permitimos que se puedan repetir
individuos.
Muestreo sistemático:
Como hemos de elegir 20 alumnos de 600, es decir, 1 de cada 30, se procede
así: Se ordenan los alumnos y se numeran, se elige uno al azar, por ejemplo el
alumno 27, y luego los demás se eligen a partir de este a intervalos de 30
alumnos. Escogeríamos por tanto a los alumnos:
27,57,87,117,147,177,207,237,267,297,327,357,387,417,447,477,507,537,56
7,597 y el alumno 627 ya es otra vez el 27.
Muestreo estratificado: Si queremos que la muestra sea representativa, lo mejor
sería conocer cuántos alumnos de cada curso hay, es decir, si hay 200 alumnos
de 3º ciclo, 150 de 4º ciclo, 150 de 1º ciclo y 100 de 2º ciclo, procederíamos:

9
 Como de 600 en total hemos de elegir a 20, de 200 de 3º ciclo hemos de elegir
x:
20 / 600 = x / 200 → x = 4000 / 600 = 6,6 ≈ 7 alumnos de 3º ciclo.
De igual manera podemos calcular los alumnos correspondientes a los demás
ciclos: 20/ 600 = y / 150 → y = 3000 /600 = 5 alumnos de 4º ciclo
20/ 600 = z /150 → z = 3000 /600 = 5 alumnos de 1º ciclo
20/ 600 = t / 100 → t = 2000 /600 = 3,3 alumnos de 2º ciclo
De modo que en nuestra muestra de 20; 7 alumnos son de 3º, 5 de 4º, 5 de 1º
y 3 de 2º.
Para la elección de cada alumno dentro de cada ciclo, utilizamos el muestreo
aleatorio simple.
Muestreo por conglomerados: Supongamos que queremos extraer una muestra
aleatoria de los estudiantes universitarios del país. Necesitaríamos una lista con
todos ellos para poder realizar algún muestreo del tipo de los 3 anteriores, lo
cual es muy difícil de conseguir. Sin embargo, los estudiantes están clasificados
por Universidades, Facultades y Clases. Podemos seleccionar en una primera
etapa algunas Universidades, después algunas facultades al azar, dentro de
las facultades algunas clases y dentro de las clases, algunos estudiantes por
muestreo aleatorio simple. Los conglomerados en cada etapa serían las
diferentes Universidades, las diferentes facultades y las diferentes clases.
Como vemos los conglomerados son unidades amplias y heterogéneas.

II. INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE PARÁMETROS.

APLICACIONES.

2.1 Inferencia estadística.

10
La Inferencia Estadística es aquella rama de la Estadística mediante la cual se trata
de sacar conclusiones de una población en estudio, a partir de la información que
proporciona una muestra representativa de la misma. También es denominada
Estadística Inductiva o Inferencia Inductiva ya que es un procedimiento para generar
nuevo conocimiento científico.
Uno de los propósitos de la inferencia Estadística es el de conseguir técnicas para
hacer inferencias inductivas y medir el grado de incertidumbre de tales inferencias.
La medida de la incertidumbre se realiza en términos de probabilidad.
La inferencia Estadística puede dividirse en dos apartados de acuerdo con el
conocimiento sobre la distribución en la población.

 Inferencia Paramétrica:
Se conoce la forma de la distribución (Normal, Binomial, Poisson, etc .... ) pero se
desconocen sus parámetros. Se realizan inferencias sobre los parámetros
desconocidos de la distribución conocida.

 Inferencia No Paramétrica:
Forma y parámetros desconocidos. Se realizan inferencias sobre características que
no tienen porque ser parámetros de una distribución conocida (Mediana,
Estadísticos de Orden).

11
De acuerdo con la forma en que se estudian los parámetros o características desconocidas,
la inferencia puede dividirse en dos apartados:

 Estimación:
Se intenta dar estimaciones de los parámetros desconocidos sin hacer hipótesis
previas sobre posibles valores de los mismos.
o Estimación puntual: Un único valor para cada parámetro.
o Estimación por intervalos: Intervalo de valores probables para el
parámetro.
 Contraste de Hipótesis:
Se realizan hipótesis sobre los parámetros desconocidos y se desarrolla un
procedimiento para comprobar la verosimilitud de la hipótesis planteada.

2.2 Estimación de parámetros

La inferencia estadística asume que se cuenta con datos de una muestra y que se desea
conocer cuáles son las características (ya sea la media, la mediana, la curtosis, etc.),
no de esa muestra, sino de la población a la que esa muestra pertenece. A los valores
de esas características a nivel poblacional se les conoce como parámetros y se
representan simbólicamente con letras griegas: µ, σ, π, ρ, β.
Para conocer los valores de los parámetros podemos plantearnos, bien recoger datos
para todos los elementos de la población, algo que puede resultar poco viable en
muchas situaciones prácticas, bien realizar una estimación de los mismos a partir de los
datos de una muestra. Esta segunda vía es mucho más habitual en la práctica, si bien,
supone asumir cierto riesgo de error pues, en cuanto que estimación, el valor que
obtengamos no tiene porque coincidir con el verdadero valor de ese parámetro.
Se pueden diferenciar dos grandes aproximaciones a la estimación de parámetros:
La estimación puntual y la estimación por intervalos. La diferencia básica entre ambas
a la hora de estimar un parámetro es que la primera proporciona una estimación
consistente en un valor concreto (puntual), mientras que la segunda ofrece como
estimación un rango de valores (intervalo). En realidad, la segunda aproximación
consiste en una extensión de la primera, por lo que será la estimación puntal.
Para un determinado parámetro pueden considerarse diferentes funciones matemáticas
que nos ofrezcan estimaciones del mismo. Por ejemplo, parámetros de la media (µX):

12
 Se considera como mejor estimador de un parámetro determinado, aquella
función matemática que cumpla las siguientes cuatro propiedades que a
continuación se describen:
1) Ausencia de sesgo: Un estimador es insesgado cuando el promedio de las
estimaciones obtenidas en diferentes muestras es, precisamente, el valor del
parámetro que se pretende estimar.
2) Eficiencia: Esta es una propiedad que se establece en términos comparativos,
esto es, es más eficiente aquel estimador cuyas estimaciones del verdadero
valor del parámetro tienen una variabilidad menor. Precisamente, una forma de
valorar la eficiencia de un estimador es obteniendo la desviación típica de las
estimaciones proporcionadas por el mismo, el conocido como error típico de
estimación del estimador. Así, entre dos estimadores, será mejor aquél que
proporcione un menor error típico de estimación.
3) Consistencia: Un estimador es consistente si la probabilidad de que el valor
estimado coincida con el del parámetro aumenta a medida que el tamaño de la
muestra crece.
4) Suficiencia: Un estimador es suficiente respecto a un parámetro si agota la
información disponible en la muestra aprovechable para la estimación.

III. INTERVALOS DE CONFIANZA

Consiste en determinar, mediante un estimador, 2 valores numéricos llamados límite

inferior (L1) y límite superior (L2). Con un cierto grado de confianza, se espera que estos
límites contengan el valor del parámetro que se quiere hallar. Es decir, el valor del
parámetro debería encontrarse entre el límite inferior y límite superior obtenidos de la
estimación.
Cabe mencionar que no todos los intervalos obtenidos de un estimador incluirán
realmente al parámetro. Es por ello que se aplica el concepto de nivel de confianza.

13
3.1 Intervalo de confianza para la media :

Los valores de los límites, inferior (L1) y superior (L2), se encuentran aplicando la fórmula
general:

Por consiguiente, los límites del intervalo se obtienen sumando o restando el error estándar
al valor de la media muestral. Específicamente, para hallar el límite inferior (L1) se resta el
error estándar y para hallar el límite superior (L2) se suma el error estándar.

Ejemplo :

Se tiene interés en estimar la altura media de los alumnos de la Facultad de

contabilidad de la USMP. Se recurre a una muestra aleatoria de 36 alumnos y se
obtienen los siguientes resultados:

= 170 cm ; s = 20 cm

Solución
 Si no se especifica el grado de confianza, se utiliza por lo general 95%, lo cual
corresponde a z = 1.96. Conociendo los datos. Se puede aplicar la fórmula:
 =  Z x s_
 Li = 170 - 1.96 x 20/6_  163.47 cm
 Ls = 170 + 1.96 x 20/6  176.53 cm
 Por lo tanto, la estatura promedio de los estudiantes de la facultad de contablidad de
la USMP está comprendida entre 163.5 y 176.5 cm, con un grado de confianza del
95%.

14
  I.C. 95% (163.5 ; 176.5 cm)
3.2 Intervalo de confianza para la proporción P

Los valores de los límites, inferior (L1) y superior (L2), se encuentran aplicando la
fórmula general:

Por consiguiente, los límites del intervalo se obtienen sumando o restando el error
estándar al valor de la proporción muestral (p). Específicamente, para hallar el límite
inferior (L1) se resta el error estándar y para hallar el límite superior (L2) se suma el
error estándar.

 Para explicar el uso de esta forma de estimación se resolverán los ejemplos

planteados anteriormente.

Ejemplo
Supóngase que en una muestra de 2000 personas se encontró que 250 son alcohólicos.
Es decir, el porcentaje de alcohólicos en la muestra es:
p=250/2000x100=12.5%.Calcular el intervalo de confianza al 95%.

15
 Por lo tanto, con un nivel de confianza de 95%, se puede afirmar que el porcentaje de
alcoholismo en la población se encuentra entre 11.05% y 13.95%.

IV. TAMAÑO DE UNA MUESTRA

Para determinar el tamaño de muestra se tiene en cuenta el tipo de población, es decir:

a. Si la población es homogénea se requiere pocos elementos en la muestra y si la

población es heterogénea se requiere un mayor número de elementos.

Para establecer una fórmula del tamaño de muestra se requiere saber el tipo de
parámetro que se desea estimar, es decir, si el interés es estimar una media aritmética
se requiere una fórmula específica y si se quiere estimar una proporción se considera
otra fórmula.

Fórmula de tamaño de muestra para estimar una media aritmética

n = Z² ² N
E²(N-1)+Z²²

Donde:
N: Tamaño de la población que es objeto de estudio.

16
Z: es una desviación normal cuyo valor corresponde al grado de confianza que se
establece.

Es decir:
N.C.: 90% 95% 99%
Z : 1.64 1.96 2.57
²: Varianza poblacional de la población que es objeto de estudio

En la práctica, el valor de la varianza se desconoce.

Para establecer el valor a la varianza, hay que tener en cuenta las siguientes
recomendaciones:
 Recurrir a estudios similares que se han realizado y obtener el valor de la varianza
respectiva.
 Realizar un estudio piloto para estimar ².

E: Error absoluto o precisión de la estimación deseada de la media.

Ejemplo
Interés: Conocer el colesterol promedio de los estudiantes de la Facultad de Medicina
USMP. (Suponemos que son 1800 alumnos)

El estudio queremos realizarlo mediante una muestra y necesitamos calcular el tamaño

de muestra n, considerando: un grado de confianza del 95%, y los resultados de un
estudio preliminar: _
x=210 y s=30; error relativo del 6% (0.06)

Solución
Por definición de error relativo. E r = E/X * 100. Por consiguiente, E= Er* X /100.
Como grado de confianza 95%, nos indica que Z=1.96
E= 0.06*210 = 12.6; = 30.

Reemplazando valores en la formula se tiene: n = (1.96)²(30)²(1800)

(12.6)²(1799) + 1.96²(30²)

17
Por tanto, n=22 (Para realizar el estudio se requiere como mínimo 22 estudiantes)

Determinación del tamaño de muestra para estimar una proporción

n = Z² P (1 – P) N
E²(N-1) + Z²P(1-P)

N: Tamaño de la población
Z: Desviación normal
P: Proporción de unidades que poseen el atributo de interés en la población
E: Error absoluto o precisión de la estimación de la proporción. Por lo general el valor
que asume es de 0.05

En la práctica, el valor de la proporción P se desconoce. Para determinar dicho valor se

recurre a las siguientes recomendaciones:
 Recurrir a estudios similares que se hayan realizado y extraer el valor de P.
 En caso de no haber antecedentes, se recurre a un estudio piloto para conocer P.
En caso contrario se recurre a la máxima varianza cuando P=0.5

Ejemplo
Interés: Conocer la proporción de estudiantes que fuman cigarrillos en la Facultad de
Medicina de La USMP número de estudiantes N= 1700.

El estudio se realizará mediante una muestra. Calculamos el tamaño de muestra,

considerando: Grado de confianza del 99%, por consiguiente,

Solución
Z= 2.57. De un estudio preliminar se ha determinado que la proporción de alumnos que
fuman cigarrillos es de p=0.40. El error absoluto que se toma en cuenta es de E=0.05
Reemplazando la información en fórmula, se tiene:
n= (2.57)²(0.4)(0.6)(1700) = 462
(0.05)²(1699) + (2.57)²(0.4)(0.6)

18
Por lo menos se requiere para ejecutar el estudio por lo menos 462 estudiantes, con un
grado de confianza del 99% y precisión del 5%.

En caso de que se desconocer el tamaño de la población N, las fórmulas quedaran

reducidas como:

 Para estimar una media aritmética,

n = Z² ²
E²

 Para estimar una proporción,

n = Z² P (1 – P)
E²

19
20