Está en la página 1de 20

Respuestas

Parte 1:

1. Investigar sobre los diferentes tipos de muestreo descritos a


continuación:
• Muestreo aleatorio simple: El muestreo aleatorio simple es un
procedimiento de muestreo probabilístico que da a cada elemento de la población
objetivo y a cada posible muestra de un tamaño determinado, la misma probabilidad de
ser seleccionado.
a) Muestreo sistemático: El muestreo sistemático es un tipo de muestreo
probabilístico donde se hace una selección aleatoria del primer elemento para la muestra, y
luego se seleccionan los elementos posteriores utilizando intervalos fijos o sistemáticos
hasta alcanzar el tamaño de la muestra deseado.
Pasos: Definir la población objetivo.
Determinar el tamaño deseado de la muestra (n).
Identificar el marco muestreo existente o desarrollar un marco de muestreo de la población
objetivo.
Evaluar el marco muestral por falta de cobertura, cobertura excesiva, múltiple cobertura,
agrupación, periodicidad, y hacer los ajustes cuando sea necesario. Idealmente, la lista
estará en un orden aleatorio con respecto al estudio variable o, mejor aún, ordenados en
función de la variable de interés o su correlación, creando así estratificación implícita.
Determinar el número de elementos en el marco de la muestra (N).
Calcular el intervalo de muestreo (i) dividiendo el número de elementos en el marco de
muestreo (N) por el tamaño de la muestra específica (n). Uno debería ignorar el resto y
redondear o terminar en el número entero más próximo. El redondeo hacia abajo y
truncando puede hacer que el tamaño de la muestra sea más grande de lo deseado. Si es
así, se puede eliminar de forma aleatoria las selecciones adicionales. Si no se conoce el
tamaño exacto, o es poco práctico determinar, se puede fijar una fracción de muestreo.
Seleccionar al azar un número, r, de “1” mediante i.
Selecciona para la muestra, r, r + i, r + 2i, r, +3i, y así sucesivamente, hasta agotar el
marco.
b) Muestreo estratificado: El muestreo estratificado es un procedimiento de
muestreo en el que el objetivo de la población se separa en segmentos exclusivos,
homogéneos (estratos), y luego una muestra aleatoria simple se selecciona de cada
segmento (estrato).
Las muestras seleccionadas de los diversos estratos se combinan en una sola muestra.
Este procedimiento de muestreo se refiere a veces como” muestreo de cuota aleatorio”.

c) Muestreo por etapas múltiples: El muestreo de etapas múltiples es sólo


una forma compleja de muestreo por conglomerados. Es un tipo de muestreo que, para
investigaciones posteriores, divide a la población en grupos (o conglomerados). Durante
este método de muestreo, grandes grupos de la población seleccionada se dividen en
subgrupos en varias etapas para simplificar la recolección de datos primarios.
Pasos: Se elige un marco de muestreo teniendo en cuenta la población de interés. Cada
grupo está numerado con un número único y se escoge una pequeña muestra de grupos
separados relevantes.
Se elige un marco de muestreo de subgrupos relevantes separados. Esto podría hacerse a
partir de grupos separados y relevantes seleccionados en la etapa anterior.
Los miembros del grupo de la muestra se eligen de entre los subgrupos utilizando alguna
variación del muestreo probabilístico.

d) Muestreo por conglomerados: El muestreo por conglomerados nos ayuda


cuando es imposible o poco práctico crear un marco de muestreo de una población objetivo
debido a que está muy dispersa geográficamente y el costo de la recopilación de datos es
relativamente alto.
El muestreo por conglomerados es un procedimiento de muestreo probabilístico en que los
elementos de la población son seleccionados al azar en forma natural por agrupaciones.
Los elementos del muestreo se seleccionan de la población de manera individual, uno a la
vez.  
Las unidades de muestreo o grupos pueden ser espaciados, tal como ocurre naturalmente
en las unidades geográficas o físicas (por ejemplo: estados, delegaciones o distritos); en
base a una organización como escuelas, grado escolar; o servicio telefónico tales como
códigos de área o el cambio de las claves lada de los números de teléfono.
La heterogeneidad del grupo es fundamental para un buen diseño del muestreo por
conglomerados. Por otra parte, el elemento dentro de cada grupo debe ser tan
heterogéneos como la población objetivo
e) Homogeneidad de las poblaciones o sus subgrupos:
El análisis de homogeneidad de poblaciones consiste en dividir una población en
subpoblaciones y estudiar si la distribución de una o varias variables aleatorias es la misma
en todas ellas. En este caso, se podrá trabajar con los datos agregados. En caso contrario,
será conveniente trabajar con las subpoblaciones existentes.
El ignorar la heterogeneidad debida a la presencia de subpoblaciones puede conducir a
conclusiones equivocadas en el análisis, ya que no tenemos una representación clara de la
variable, no mejoramos la comprensión del fenómeno en estudio.
• Muestreo no probabilístico:
El muestreo no probabilístico es una técnica utilizada en la muestra estadística, que a
diferencia de la muestra probabilística, no permite que todos los individuos de
una población a investigar, posean las mismas oportunidades de selección. Donde no
todos los individuos a investigar, poseen las mismas oportunidades de selección.
En este tipo de muestreo predominan aquellos individuos que, al cumplir con cierta
cualidad o característica, benefician la investigación.
a) Muestreo por cuotas:
A través del muestreo por cuotas, el investigador se asegura de que la muestra sea
equitativa y proporcional, de acuerdo con las características, cualidades o rasgos de la
población a estudiar.
Por ejemplo: un investigador debe realizar una muestra sobre los empleados de una
empresa, en la que el 60% son mujeres y el 40% son hombres. Para hacerlo, selecciona
individuos que sean proporcionales a la población, a través de un muestreo por
conveniencia o a elección del investigador
b) Muestreo de bola de nieve:
También conocido como muestreo en cadena, este método consiste en que el investigador
exija, al primer sujeto de la muestra, identificar o señalar a otra persona que cumpla con los
requisitos de la investigación.
Por ejemplo: un investigador decide realizar una investigación cuya muestra la conforman
individuos con una rara enfermedad. De esta manera, al encontrar un individuo con dichas
características, el investigador le pide ayuda para encontrar otras personas con estas
condiciones para conformar la muestra.
c) Muestreo subjetivo por decisión razonada:
También conocido como muestreo por juicio o intencional, mediante esta técnica los
sujetos se eligen para conformar un grupo específico, de personas que resultan más
adecuadas para el análisis que otras.
Por ejemplo: se desea realizar una investigación sobre el comportamiento de los padres
con sus hijos. Por lo tanto, el investigador selecciona como muestra a personas que tengan
hijos, ya que las considera aptas de conocimiento para formar parte de la investigación.

2. Investigar sobre los siguientes tipos de distribuciones:


• Distribución normal: La distribución normal es una distribución con forma de
campana donde las desviaciones estándar sucesivas con respecto a la media establecen
valores de referencia para estimar el porcentaje de observaciones de los datos. Estos
valores de referencia son la base de muchas pruebas de hipótesis, como las pruebas Z y t.
Puesto que la distribución de estos datos es normal, usted puede determinar exactamente
qué porcentaje de los valores está dentro de cualquier rango específico. Por ejemplo:
Alrededor del 95% de las observaciones está dentro de 2 desviaciones estándar de la
media, indicado por el área sombreada en azul. El 95% de los valores se ubicará dentro de
1.96 desviaciones estándar con respecto a la media (entre −1.96 y +1.96). Por lo tanto,
menos del 5% (0.05) de las observaciones estará fuera de este rango. Este rango es la
base del nivel de significancia de 0.05 que se utiliza para muchas pruebas de hipótesis.
Aproximadamente el 68% de las observaciones está dentro de una 1 desviación estándar
de la media (-1 a +1), y alrededor del 99.7% de las observaciones estarían dentro de 3
desviaciones estándar con respecto a la media (-3 a +3).
Histograma de una distribución normal hipotética

• Distribución normal estándar:


La distribución tiene la forma de una campana y la mayor parte del área de esta campana
(Bell) se encuentra donde la media.
El área debajo de la campana es de 1, y se divide por 0.5 a la izquierda y 0.5 a la derecha
de la media.
Es simétrica con respecto a la media.
La media, moda, y mediana coinciden.
Hay dos parámetros que determinan su forma: la media y la desviación estándar.
• Distribución t-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.
Aparece de manera natural al realizar la prueba t de Student 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 varianza 1).
 V es una variable aleatoria que sigue una distribución χ² 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 no central con parámetro de no-centralidad .
• Distribución Ji-Cuadrada:
La distribución de chi-cuadrada es una distribución continua que se especifica por los
grados de libertad y el parámetro de no centralidad. La distribución es positivamente
asimétrica, pero la asimetría disminuye al aumentar los grados de libertad.
Minitab utiliza la distribución de chi-cuadrada (χ2) en pruebas de significancia estadística
para:
Comprobar qué tan bien se ajusta una muestra a una distribución teórica. Por ejemplo,
puede utilizar una prueba de bondad de ajuste de chi-cuadrada para determinar si los datos
de la muestra se ajustan a una distribución de Poisson.
Comprobar la independencia de las variables categóricas. Por ejemplo, un fabricante desea
saber si la ocurrencia de cuatro tipos de defectos (espárrago faltante, abrazadera rota,
sujetador flojo y sello con fugas) está relacionada con los turnos (diurno, vespertino,
nocturno).
Cuando los grados de libertad son 30 o más, la distribución de chi-cuadrada puede
aproximarse razonablemente con una distribución normal, como se ilustra en las siguientes
gráficas:

Distribución de chi-cuadrada con 20 grados de libertad

Distribución de chi-cuadrada con 40 grados de libertad

• Distribución F:
La distribución F es una distribución continua de muestreo de la relación de dos variables
aleatorias independientes con distribuciones de chi-cuadrada, cada una dividida entre sus
grados de libertad. La distribución F es asimétrica hacia la derecha y es descrita por los
grados de libertad de su numerador (ν1) y denominador (ν2). Las siguientes gráficas
muestran el efecto de los diferentes valores de grados de libertad en la forma de la
distribución.
ν1 = 1 y ν2 = 1

ν1 = 1 y ν2 = 9

ν1 = 9 y ν2 = 1

ν1 = 9 y ν2 = 9
Utilice la distribución F cuando un estadístico de prueba sea la relación de dos variables
que tienen una distribución de chi-cuadrada cada una. Por ejemplo, utilice la distribución F
en el análisis de varianza y en pruebas de hipótesis para determinar si dos varianzas de
población son iguales.
Calcular las probabilidades de una distribución F con infinitos grados
de libertad del denominador
Supongamos que X sigue una distribución F con 5 grados de libertad del numerador e
infinitos grados de libertad del denominador y usted desea conocer la probabilidad de que
X sea menor que o igual a 2. Puede encontrar la probabilidad de que Y sea menor que o
igual a 2, donde Y sigue una distribución F con 5 grados de libertad del numerador y 99999
grados de libertad del denominador y Y se aproxima a X.

1. Elija Calc > Distribuciones de probabilidad > F.

2. En Grados de libertad del numerador, ingrese 5.

3. En Grados de libertad del denominador, ingrese 99999.

4. Elija Constante de entrada e ingrese 2. Haga clic en Aceptar.


El valor de CDF para 2 es 0.924755. Este valor representa el área por debajo de la curva
hasta 2.

3. El teorema de límite central


El teorema del límite central es un teorema fundamental de probabilidad y estadística. El
teorema describe la distribución de la media de una muestra aleatoria proveniente de una
población con varianza finita. Cuando el tamaño de la muestra es lo suficientemente
grande, la distribución de las medias sigue aproximadamente una distribución normal. El
teorema se aplica independientemente de la forma de la distribución de la población.
Muchos procedimientos estadísticos comunes requieren que los datos sean
aproximadamente normales. El teorema de límite central le permite aplicar estos
procedimientos útiles a poblaciones que son considerablemente no normales. El tamaño
que debe tener la muestra depende de la forma de la distribución original. Si la distribución
de la población es simétrica, un tamaño de muestra de 5 podría producir una aproximación
adecuada. Si la distribución de la población es considerablemente asimétrica, es necesario
un tamaño de muestra más grande. Por ejemplo, la distribución de la media puede ser
aproximadamente normal si el tamaño de la muestra es mayor que 50. Las siguientes
gráficas muestran ejemplos de cómo la distribución afecta el tamaño de la muestra que se
necesita.

Distribución uniforme
Medias de las muestras
Muestras de una población uniforme
Una población que sigue una distribución uniforme es simétrica, pero marcadamente no
normal, como lo demuestra el primer histograma. Sin embargo, la distribución de las
medias de 1000 muestras de tamaño 5 de esta población es aproximadamente normal
debido al teorema del límite central, como lo demuestra el segundo histograma. Este
histograma de las medias de las muestras incluye una curva normal superpuesta para
ilustrar esta normalidad.

Distribución exponencial

Medias de las muestras

Muestras de una población exponencial


Una población que sigue una distribución exponencial es asimétrica y no normal, como lo
demuestra el primer histograma. Sin embargo, la distribución de las medias de 1000
muestras de tamaño 50 de esta población es aproximadamente normal debido al teorema
del límite central, como lo demuestra el segundo histograma. Este histograma de las
medias de las muestras incluye una curva normal superpuesta para ilustrar esta
normalidad.
Parte 2:
Resolución de los siguientes ejercicios (2-7, 2-11, 2-14 y 2-15)
Ejercicio 2-7

Respuesta

A)
El tiempo promedio es de 241,5 por lo que excede 225 horas en promedio
por reparación, la hipótesis a utilizar Z de una muestra ya que es conocida
la desviación estándar.
B): La hipótesis sería aprobada porque el valor p es mayor a 0,05.
C)
El valor p es: 1

D)
El intervalo de confianza al 95% es de 200 a 300 horas
Ejercicio 2-11

Respuesta

A) Se utilizo prueba IC para dos varianzas


B)
El valor de p es = 0,974

C)
La hipótesis sería aprobada porque el valor p es mayor a 0,05 con un valor
de confianza al 95%
Ejercicio 2-14

Respuesta

A)
Se utiliza prueba de CI para una varianza
B)

La hipótesis sería rechazada porque el valor p es menor a 0,05 con un


valor de confianza al 95%

C y D)
Ejercicio 2-15
Respuesta
A)
Se utiliza Prueba T de dos muestras
B)
El valor de p es = 0,690
La hipótesis sería aprobada porque el valor p es mayor a 0,05 con un valor
de confianza al 95%
C)
Bibliografía
QuestionPro (2021). Muestreo aleatorio simple, uno de los tipos de muestreo de
probabilidad. Recuperado de:

https://www.questionpro.com/blog/es/muestreo-aleatorio-simple/

QuestionPro (2021). Muestreo sistemático: fácil, sencillo y económico, uno de los


tipos de muestreo de probabilidad. Recuperado de:

https://www.questionpro.com/blog/es/muestreo-sistematico/

QuestionPro (2021). Muestreo estratificado, un tipo de muestreo de probabilidad

. Recuperado de:

https://www.questionpro.com/blog/es/muestreo-estratificado/

QuestionPro (2021). Muestreo de etapas múltiples: ventajas y aplicación.


Recuperado de:
https://www.questionpro.com/blog/es/muestreo-de-etapas-
multiples/

QuestionPro (2021). Muestreo por conglomerados: Un tipo de muestreo


probabilístico. Recuperado de:
https://www.questionpro.com/blog/es/muestreo-por-
conglomerados/
Universidad de Oviedo, España (junio 2000), Anales de Economía
Aplicada. Recuperado de:
https://www.asepelt.org/ficheros/File/Anales/2000%20-
%20Oviedo/Trabajos/PDF/137.pdf

Enciclopedia Económica (2017). Muestreo no probabilístico. Recuperado de:


https://enciclopediaeconomica.com/muestreo-no-probabilistico/
Minitab 18 (2019). ¿Que es la distribución normal? .Recuperado de:
https://support.minitab.com/es-mx/minitab/18/help-and-how-
to/statistics/basic-statistics/supporting-topics/normality/what-is-the-
normal-distribution/

superprof (2020). La distribución normal estandar-concepto y normalización.


Recuperado de:
https://www.superprof.es/apuntes/escolar/matematicas/probabilida
des/distribucion-normal/distribucion-normal-estandar.html

Información estadística (2020). 3.5 Distribución t de Student


https://sites.google.com/site/estadisitica5demayo/unidad-ii-
inferencia-estadistica/3-5-distribucion-t-de-student

Minitab 18 (2019). Distribución de chi-cuadrada .Recuperado de:


https://support.minitab.com/es-mx/minitab/18/help-and-how-
to/probability-distributions-and-random-data/supporting-
topics/distributions/chi-square-distribution/

Minitab 18 (2019). Distribución F. Recuperado de:


https://support.minitab.com/es-mx/minitab/18/help-and-how-
to/probability-distributions-and-random-data/supporting-
topics/distributions/f-distribution/

Minitab 18 (2019). El teorema del límite central: las medias de muestras


grandes y aleatorias son aproximadamente normales. Recuperado de:
https://support.minitab.com/es-mx/minitab/18/help-and-how-
to/statistics/basic-statistics/supporting-topics/data-concepts/about-
the-central-limit-theorem/

También podría gustarte