REPUBLICA BOLIVARINA DE VENEZUELA

UNIVERSIDAD NACIONAL EXPERIMETAL

SIMÒN RODRÌGUEZ

NUCLEO LA GUAIRA

ADMINISTRACIÒN MENCION RECURSOS HUMANOS

EJERCICIO DE DISTRIBUCIÓN EN EL MUESTREO

PARTICIPANTE:

Astrid, Castañeda

sección: F

FACILITADOR:

Alays, Diaz

La Guaira, 22 de enero de 2021

TEORÍA DEL MUESTREO COMO BASE DE LA ESTADÍSTICA
INFERENCIAL

Uno de los propósitos de la estadística inferencial es estimar las

características poblacionales desconocidas, examinando la información
obtenida de una muestra, de una población. El punto de interés es la
muestra, la cual debe ser representativa de la población objeto de estudio.
Se seguirán ciertos procedimientos de selección para asegurar de que las
muestras reflejen observaciones a la población de la que proceden, ya que
solo se pueden hacer observaciones probabilísticas sobre una población
cuando se usan muestras representativas de la misma.

EJERCICIO DE ESTADÍSTICA INFERENCIAL

En cierta cadena de centros comerciales trabajan 150 personas en el

departamento de personal, 450 en el departamento de ventas, 200 en el
departamento de contabilidad y 100 en el departamento de atención al
cliente. Con objeto de realizar una encuesta laboral, se quiere seleccionar
una muestra de 180 trabajadores.

a ¿Qué tipo de muestreo deberíamos utilizar para la selección de la muestra

si queremos que incluya a trabajadores de los cuatro departamentos
mencionados?

b ¿Qué número de trabajadores tendríamos que seleccionar en cada

departamento si utilizamos asignación proporcional?
a) El muestreo estratificado (con o sin asignación proporcional) es el único
que nos garantiza que tomaríamos trabajadores de los cuatro
departamentos.

b) El procedimiento es similar al de los ejercicios anteriores. Primero, el

tamaño de la población es

y el tamaño de muestra es . Así, el número de trabajadores del

departamento de personal que debemos escoger es

el número del departamento de ventas es

el número del departamento de contabilidad es

y el número de trabajadores que debemos tomar del departamento de
atención al cliente es

MUESTREO AL AZAR

EL MUESTREO en un universo de trabajo en donde se desea aplicar un

análisis estadístico, cuando el muestreo cubre a todos los elementos de la
población., se realiza un Censo. En muchos de los casos, la realización de
un censo no es posible por ser muy costoso, muy extenso o que la muestra
se destruya como resultado del análisis. En tales oportunidades se debe
practicar un análisis muestral. La muestra es una parte seleccionada de la
población que deberá ser representativa, es decir, reflejar adecuadamente
las características que deseamos analizar en el conjunto en estudio. Se
pueden realizar diferentes tipos de muestreo, que quedan clasificados en dos
grandes grupos: probabilísticos y no probabilísticos. En el muestreo
probabilístico, todos los individuos o elementos de la población tienen la
misma probabilidad de ser incluidos en la muestra extraída, asegurándonos
la representatividad de la misma. En el muestreo no probabilístico, por su
parte, los elementos de la muestra se seleccionan siguiendo criterios
determinados siempre procurando la representatividad de la muestra.
1. Ejemplo Muestreo aleatorio simple:
Suponga que estamos investigando sobre el porcentaje de alumnos que
trabajan de una población de 20 alumnos de la UNESR.

Base de datos de la población:

Nombre Alumno ¿Trabaja? Nombre Alumno ¿Trabaja?

Juan SI Maria NO

Alicia NO Fernanda NO
Pedro NO Julio SI
Marcos NO Rosa NO
Alberto SI Fabián NO
Jorge SI Ana NO
José NO Laura NO
Carlos NO Enrique NO
Miguel NO Carmen SI
Victoria SI Marcelo SI

a) Elija una muestra aleatoria simple de tamaño n=4 de esta población.

Indique los pasos para elegir la muestra
b) Primero:Asignamos número a cada alumno del 1 al 20:

numero Nombre Alumno ¿Trabaja? numero Nombre Alumno ¿Trabaja?

1 Juan SI 11 Maria NO
2 Alicia NO 12 Fernanda NO

3 Pedro NO 13 Julio SI

4 Marcos NO 14 Rosa NO
5 Alberto SI 15 Fabián NO
6 Jorge SI 16 Ana NO
7 José NO 17 Laura NO
8 Carlos NO 18 Enrique NO
9 Miguel NO 19 Carmen SI
10 Victoria SI 20 Marcelo SI
c) Segundo: Generamos números aleatorios. Usar Excel con la función
Aleatorio. Entre(inicio, fin), para generar 4 números aleatorios, entre el 1 y el
20 sin repetir.

d) ¿Los números seleccionados son?

10, 1, 11, 20

e) ¿Por lo tanto la muestra está compuesta por?

Victoria, Juan, María, Marcelo (3 mujeres y 1 hombre).

Trabajan: Victoria, Juan, Marcelo
No trabajan: María

f) Cual es el parámetro y cual es el estadístico de la muestra aleatoria simple

de tamaño 4.

El Parámetro es el porcentaje de alumnos que trabajan en la población de

tamaño N=20 alumnos, es decir: P = no. de personas que trabajan / N = 7 /
20 = 0.35 ó 35% El Estadístico es el porcentaje de alumnos que trabajan en
la muestra de tamaño n=4 alumnos, es decir: P = no. de personas que
trabajan / n= 3 / 4= 0.75 ó 75%

DISTRIBUCIÓN Χ², DISTRIBUCIÓN “T” DE STUDENT.

En probabilidad y estadística, la distribución t (de Student) es una distribución

de probabilidad que surge del problema de estimar la media de una
población normalmente distribuida cuando el tamaño de la muestraes
pequeño. ... V es una variable aleatoria que sigue una distribución χ² con
grados de libertad.
Aparece de manera natural al realizar la prueba t de stundent para la
determinación de las diferencias entre dos medias muestrales y para la
construcción del intervalo de confianza para la diferencia entre las medias de
dos poblaciones cuando se desconoce la desviación típica de una población
y ésta debe ser estimada a partir de los datos de una muestra.
Caracterización

La distribución t de Student es la distribución de probabilidad del cociente

donde

• Z es una variable aleatoria distribuida según una normal típica (de

media nula y varianza1).

• V es una variable aleatoria que sigue una distribución con grados de

libertad.

• Z y V son independientes.

Si μ es una constante no nula, el cociente es una variable aleatoria que sigue

la distribución t de student con parámetro de no-centralidad.

Aparición y especificaciones de la distribución t de Student

Supongamos que X1,..., Xn son variables aleatorias independientes

distribuidas normalmente, con media μ y varianza σ 2. Sea

la media muestral. Entonces

sigue una distribución normal de media 0 y varianza 1.

Sin embargo, dado que la desviación estándar no siempre es conocida de

antemano, GOSSET estudió un cociente relacionado, es la cuasi varianza
muestral y demostró que la función de densidad de T es donde es igual a n−
1.

La distribución de T se llama ahora la distribución t de Student.

El parámetro representa el número de grados de libertad. La distribución

depende de, pero no de o, lo cual es muy importante en la práctica.

Intervalos de confianza derivados de la distribución t de Student

El procedimiento para el cálculo del intervalo de confianza basado en la t de

Student consiste en estimar la desviación típica de los datos S y calcular el
error estándar de la media, siendo entonces el intervalo de confianza para la
media:.

Es este resultado el que se utiliza en el test de stundent puesto que la

diferencia de las medias de muestras de dos distribuciones normales se
distribuye también normalmente, la distribución t puede usarse para
examinar si esa diferencia puede razonablemente suponerse igual a cero.
Para efectos prácticos el valor esperado y la varianza son:

Distribución t de Student no estandarizada

La distribución t puede generalizarse a 3 parámetros, introduciendo un

parámetro locacional y otro de escala. El resultado es una distribución t de

Student no estandarizada cuya densidad está definida por: 2

Equivalentemente, puede escribirse en términos de (correspondiente a la

varianza en vez de a la desviación estándar

DISTRIBUCIÓN “F” DE “FISCHER”.

Un fabricante de automóviles pone a prueba dos nuevos métodos de

ensamblaje de motores respecto al tiempo en minutos. Los resultados se
muestran el la tabla:

Método 1 Método 2

n1 = 31 n2 = 25

s12 = 50 s22 = 24

Construya un intervalo de confianza del 90% para 2/ 2.

1 2

Solución:

Por la recomendación de que la varianza muestral mayor va en el numerador

se tiene la siguiente fórmula:

al despejar: .

F toma dos valores dependiendo del nivel de confianza y de los grados de

libertad. En este caso los grados de libertad uno valen 30 y los grados de
libertad dos 24.

y
Estos resultados los podemos interpretar de la siguiente manera:

Con un nivel de confianza del 90% se sabe que la relación de varianzas

2/ 2 esta entre 1.07 y 3.93. Esto supondría que la varianza de la
1 2

población 1 es mayor a la varianza de la población 2 entre 1.07 y 3.93.

DIFERENCIA DE MEDIAS

Ejemplo:

En un estudio para comparar los pesos promedio de niños y niñas de sexto

grado en una escuela primaria se usará una muestra aleatoria de 20 niños y
otra de 25 niñas. Se sabe que tanto para niños como para niñas los pesos
siguen una distribución normal. El promedio de los pesos de todos los niños
de sexto grado de esa escuela es de 100 libras y su desviación estándar es
de 14.142, mientras que el promedio de los pesos de todas las niñas del
sexto grado de esa escuela es de 85 libras y su desviación estándar es de

12.247 libras. Si representa el promedio de los pesos de 20 niños y es

el promedio de los pesos de una muestra de 25 niñas, encuentre la
probabilidad de que el promedio de los pesos de los 20 niños sea al menos
20 libras más grande que el de las 25 niñas.

Solución:

Datos:

1= 100 libras

2 = 85 libras
 1= 14.142 libras

2= 12.247 libras

n1 = 20 niños

n2 = 25 niñas

=?

Por lo tanto, la probabilidad de que el promedio de los pesos de la muestra

de niños sea al menos 20 libras más grande que el de la muestra de las
niñas es 0.1056.

la media aritmética es el valor obtenido al sumar todos los datos y dividir el

resultado entre el número total de datos. Denotamos la media con el símbolo

y la calculamos de la siguiente manera

en donde cada representa uno de nuestros datos y es el número total
de datos que tenemos.

Ejemplo:

Los pesos de seis amigos son: y .

Hallar el peso medio.

Primero, notemos que tenemos seis datos, por lo tanto, .

Procedamos a calcular la media

ERROR ESTANDAR

1- Suponga que está tratando de estimar la proporción de personas en la

población que tienen preferencia por una fórmula láctea enriquecida, y se
desea tener un 95% de confianza en sus resultados.

Se toma una muestra de 800 personas y se determina que 560 personas en

la muestra tiene preferencia por la fórmula láctea enriquecida. Determine un
intervalo en el cual se pueda esperar se encuentre la proporción poblacional
y la proporción de otras muestras que se puedan tomar de la población, con
un 95% de confianza

a) Calculemos la proporción muestral p y su complemento:

p = 560/800 = 0.70

q= 1 – p = 1 – 0.70 = 0.30

b) Se conoce que la proporción se aproxima a una distribución normal a

muestras de tamaño grande (mayores a 30). Entonces, se aplica la llamada
regla 68 – 95 – 99.7 y se tiene que:

Coeficiente de confianza = z = 1.96

Error estándar = √(p*q/n)

Error estándar de estimación (EEE) =± (1.96)*√(0.70)*(0.30)/800) = ± 0.0318

c) A partir del error estándar de estimación se establece el intervalo en el que

se espera se encuentre la proporción poblacional con un 95% de nivel de
confianza:

0.70 – 0.0318 ≤Proporción poblacional ≤ 0.70 + 0.0318

0.6682 ≤ Proporción poblacional ≤0.7318

Se puede esperar que la proporción de muestra del 70% cambie hasta en

3.18 puntos porcentuales si toma una muestra diferente de 800 individuos o
que la proporción real de la población está entre 70 – 3.18 = 66.82% y 70 +
3.18 = 73.18%