Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIVERSIDAD DE GRANADA
TÉCNICAS
PARA EL ANÁLISIS DEL MERCADO
TEORÍA, EJERCICIOS Y PRÁCTICAS
1
2
INFORMACIÓN GENERAL (Exámenes, temario, bibliografía,...) . . . . . . . . 6
APUNTES:
5. Muestreo sistemático. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.1 Selección de una muestra sistemática. Usos. Ventajas. . . . . . . . . . . . . 82
5.2 Estimación de la media, proporción y total poblacionales. . . . . . . . . . . 84
5.3 Comparación con el muestreo aleatorio simple: Poblaciones ordenadas,
aleatorias y periódicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4 Determinación del tamaño muestral. . . . . . . . . . . . . . . . . . . . . . 88
Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
EJERCICIOS:
PRÁCTICAS:
FORMULARIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
5
INFORMACIÓN GENERAL
Licenciatura: Administración y Dirección de Empresas
Carácter: Optativo
Créditos: 6
Periodo lectivo: Segundo cuatrimestre
Departamento: Métodos Cuantitativos para la Economía y la Empresa
Objetivos de la Asignatura:
o Una hora de clase a la semana será en el aula de informática donde se utilizarán los
programas Excel y SPSS.
Sistema de Evaluación:
• En cualquiera de las convocatorias de examen de esta asignatura se realizarán dos
pruebas, una escrita (valorada en al menos el 70% de la calificación) y otra con
ordenador (valorada como máximo en el 30% de la calificación). Siendo necesario un
mínimo del 35% de la calificación en cada una de estas dos partes, para realizar la
media ponderada entre ambas calificaciones y así obtener la calificación global. En
ambas pruebas los alumnos podrán utilizar el “formulario” (con todas las expresiones
utilizadas en la asignatura), dicha información se facilitará por internet y/o en la
fotocopiadora del centro. También se permite el uso de calculadora no programable en
la prueba escrita.
6
TEMARIO
1. Elementos del problema de muestreo.
1.1 Definiciones básicas.
1.2 Selección de la muestra.
1.3 Fuentes de error.
1.3.1 Errores de muestreo.
1.3.2 Errores de no muestreo.
1.4 Métodos de recolección de datos.
1.5 Diseño del cuestionario.
1.6 Planificación de la encuesta.
1.7 Razones para el uso del muestreo.
5. Muestreo sistemático.
5.1 Selección de una muestra sistemática. Usos. Ventajas.
5.2 Estimación de la media, proporción y total poblacionales.
5.3 Comparación con el muestreo aleatorio simple: Poblaciones ordenadas, aleatorias
y periódicas.
7
5.4 Determinación del tamaño muestral.
8. Análisis cluster.
8.1 Introducción.
8.2 Medidas de similaridad.
8.2.1 Medidas de similaridad para variables métricas
8.2.2 Medidas de similaridad para datos binarios
8.3 Estandarización de datos.
8.4 Formación de grupos: Clusters jerárquicos y clusters no jerárquicos.
8.4.1 Clusters jerárquicos.
8.4.2 Clusters no jerárquicos.
8.5 Elección entre los distintos tipos de análisis cluster.
9. Componentes principales.
9.1 Introducción.
9.2 Componentes principales.
9.2.1. Componentes principales a partir de variables estandarizadas.
8
Bibliografía:
Scheaffer, Mendehall y Ott (2006). Elementos de muestreo. International Thomson Editores.
Palacios, F. Callejón, J. (2004). Técnicas Cuantitativas para el Análisis Regional. Editorial
Universidad de Granada. Manuales Ciencias Económicas y Empresariales.
Fernández García, Mayor Gallego (1995). Ejercicios y prácticas de muestreo en
poblaciones finitas. EUB.
Lohr, S.L. (1999). Muestreo: Diseño y Análisis. International Thomson Editores
Luque, T. (2000). Técnicas de Análisis de Datos en Investigación de Mercados. Pirámide.
Hair, J. F. (2001). Análisis Multivariante. Prentice-Hall.
Peña, D. (2002). Análisis de Datos Multivariantes. McGraw-Hill.
Uriel, E. Aldás, J. (2005). Análisis Multivariante Aplicado. International Thomson Editores.
Información en la WEB:
En la página web de la Universidad (www.ugr.es/local/jhermoso) se facilitará información a
los alumnos sobre:
Profesores que imparten la asignatura, despacho, correo electrónico, horario de
tutorías...
Programa de la asignatura
Bibliografía
Apuntes de clase
Relaciones de ejercicios
Prácticas de ordenador
Sistema de evaluación
Fechas de exámenes
Calificaciones
Revisión de exámenes
Cualquier otra información que se considere importante.
9
10
Elementos del problema de muestreo.
1.1 Definiciones básicas.
1.2 Selección de la muestra.
1.3 Fuentes de error.
1.3.1 Errores de muestreo.
1.3.2 Errores de no muestreo.
1.4 Métodos de recolección de datos.
1.5 Diseño del cuestionario.
1.6 Planificación de la encuesta.
1.7 Razones para el uso del muestreo.
El objetivo fundamental de la estadística es hacer inferencia acerca de una población con base
en la información contenida en una muestra representativa.
La información obtenida de las encuestas por muestreo afecta a casi todos los aspectos de
nuestra vida: IPC, audiencia de televisión, intención de voto,... Un área particular de actividad
comercial que depende de las técnicas de muestreo es el análisis de mercados. Decisiones
sobre qué producto comercializar, cuándo, dónde, cómo anunciarlo son frecuentemente
tomadas sobre la base de la información de encuestas por muestreo.
12
divide a la población en esos grupos o estratos y se selecciona una muestra aleatoria
simple de cada grupo. A la muestra resultante se le llama muestra aleatoria
estratificada.
3. Muestreo por conglomerados. En una muestra por conglomerados, los elementos que
componen una población se reúnen en unidades de muestreo de mayor tamaño,
llamadas conglomerados. Para nuestra encuesta podemos muestrear familias en lugar
de votantes individuales. En este caso las familias forman los conglomerados y los
miembros de las familias son las unidades de muestreo.
4. Muestreo sistemático: Es un tipo de muestreo que muchas veces se utiliza como
sustituto del muestreo aleatorio simple. Consiste en seleccionar un elemento al
comienzo de una lista de la población y luego se selecciona cada un número fijo de
posiciones el resto de elementos.
error de estimación = θˆ - θ
Dado que el estimador es una variable aleatoria, no podemos asegurar que siempre el
estimador y θ están dentro de una distancia especificada B, pero podemos expresar que eso
ocurre con una determinada probabilidad
P θˆ − θ ≤ B = 1 − α ,0 < α <1
donde
Límite para el Error de Estimación (LEE) con nivel de confianza 1 − α
B = Cota para el error de estimación con nivel de confianza 1-α
Error de estimación máximo con nivel de confianza 1-α
13
A continuación veremos que forma tiene B bajo distintas hipótesis sobre el estimador:
(
1. θˆ es un estimador insesgado de θ y tiene una distribución Normal θˆ → N (θ , σ θˆ ) . )
Dado que θˆ − θ → N (0, σ θˆ ) , entonces
P θˆ − θ ≤ B = P − B ≤ θˆ − θ ≤ B
B B
= P − ≤Z≤ = 1−α
σ θˆ σ θˆ
θɵ − θ B
donde Z = → N (0,1) . Por tanto, = z α (podemos obtenerlo en una tabla de
σ θɵ σ θˆ 1−
2
se puede observar, el límite del error de estimación dependerá del nivel de confianza y
de la desviación típica del estimador (esto último dependerá de la variabilidad de la
muestra y del tipo de muestreo).
Tomando una confianza del 95% el límite del error de estimación será:
B = z 0,975σ θˆ = 1,96σ θˆ ≅ 2σ θˆ . Entonces
P θˆ − θ ≤ 2σ θˆ = 0,95
Es decir, con una confianza del 95%, el límite del error de estimación es dos veces la
desviación típica del estimador. (En muchos textos se denomina error típico a la
desviación típica del estimador)
() k
1
P θˆ − E θˆ ≤ kσ θˆ ≥ 1 − 2 , k ≥1
Resumiendo, el límite del error de estimación es dos veces la desviación típica del estimador
con una confianza del 95% si el estimador tiene distribución Normal y con una confianza
14
mayor del 75% si no tiene esa distribución. Además, si el tamaño muestral es mayor que 30,
los estimadores que usaremos tendrán una distribución aproximadamente Normal, en virtud
del Teorema central del límite.
P θˆ − θ ≤ B = P − B ≤ θˆ − θ ≤ B = P θˆ − B ≤ θ ≤ θˆ + B = 1 − α
(
el verdadero valor del parámetro se encuentra entre los extremos del intervalo θˆ − B, θˆ + B )
con una confianza de 1 − α .
15
2. Recompensas e incentivos.
3. Entrevistadores adiestrados.
4. Verificación de datos.
(Véase los anteriores puntos desarrollados con mayor detalle en Scheaffer, Mendehall y Ott
(2006). Elementos de muestreo. International Thomson Editores.)
16
3. El marco.
4. Diseño del muestreo.
5. Método de recolección de datos.
6. Instrumentos de recolección de datos.
7. Selección y preparación de investigadores de campo.
8. Prueba piloto.
9. Organización del trabajo de campo.
10. Organización de la administración de datos.
11. Análisis de los datos.
(Véase los anteriores puntos desarrollados con mayor detalle en Scheaffer, Mendehall y Ott
(2006). Elementos de muestreo. International Thomson Editores.)
17
2. Muestreo aleatorio simple.
2.1 Selección de una muestra aleatoria simple. Números aleatorios. Rutas aleatorias.
2.2 Muestreo aleatorio simple en poblaciones infinitas.
2.2.1 Media, varianza y proporción muestrales: Propiedades. Error de estimación.
2.2.2 Estimación puntual. Intervalos de confianza. Contrastes de hipótesis.
2.2.3 Determinación del tamaño muestral.
2.3 Muestreo aleatorio simple en poblaciones finitas.
2.3.1 Estimación de la media, proporción y total poblacionales.
2.3.2 Determinación del tamaño muestral.
2.1 Selección de una muestra aleatoria simple. Números aleatorios. Rutas aleatorias.
Si cada muestra posible de tamaño n tiene la misma probabilidad de ser seleccionada, el
procedimiento de muestreo se denomina muestreo aleatorio simple y a la muestra así
seleccionada se le llama muestra aleatoria simple.
En el muestreo aleatorio con reemplazamiento el comportamiento de cada observación da
lugar a variables aleatorias independientes e idénticamente distribuidas.
El muestreo aleatorio sin reemplazamiento da lugar a variables aleatorias donde sus
distribuciones marginales (no así las condicionadas) son idénticamente distribuidas pero falla
la hipótesis de independencia.
Si el número de elementos de la población es muy grande (poblaciones infinitas) la anterior
distinción es irrelevante.
En poblaciones finitas, muestrear un mismo elemento dos veces no proporciona más
información. Por ello, en general, en poblaciones finitas se prefiere el muestreo sin
reemplazamiento.
En la práctica, la condición de que cada muestra tenga la misma probabilidad de ser
seleccionada se traduce en que cada elemento tenga la misma probabilidad de pertenecer a la
muestra. Para ello la selección de cada elemento de la muestra se hace sobre la base de un
sorteo completamente aleatorio. Para facilitar la obtención de los resultados de ese sorteo
aleatorio existen lo que se conoce como tablas de números aleatorios y que, junto con otras
tablas, suelen aparecer en un apéndice al final de muchos libros de estadística. Cada vez más,
estas tablas de números aleatorios son sustituidas por la generación de números aleatorios
mediante programas de ordenador (Excel, SPSS,...). Para asociar el valor de esos números
aleatorios con los elementos de la población necesitamos que ésta esté numerada, en caso
contrario deberíamos formar una lista y numerarla. Esto último, en muchos casos, no es tan
sencillo. Una alternativa a la formación de una lista numerada para la selección mediante
números aleatorios de los elementos de la muestra es el método de las rutas aleatorias. Según
18
este método cada número aleatorio o grupo de números aleatorios describe el camino hasta el
elemento de la muestra. Veamos cómo se aplicaría este método con un sencillo ejemplo:
Se ha seleccionado el número aleatorio 11071032, las dos primeras cifras (11) indican el
distrito de la ciudad, las dos siguientes (07) la calle del distrito, las dos siguientes (10) el
número de la calle, la siguiente (3) la planta del edificio y la última (2) la letra B de dicha
planta.
En muchos casos para llevar a cabo este procedimiento se recurre a la guía telefónica,
sobretodo si la entrevista es por teléfono, así el número aleatorio 7836 podría interpretarse
como que se selecciona la página 78 de la guía y dentro de ésta al abonado del teléfono que
aparece en el lugar 36 de dicha página.
19
1 n
y= ∑ yi
n i =1
Un valor aislado y del estimador revela poco acerca de la media poblacional, deberíamos
evaluar también su bondad.
Este estimador tiene propiedades deseables como ser insesgado y tener mínima varianza
σ2
( )
E y =µ V y = ( ) n
Como estimador de la varianza de la población, σ 2 , se utiliza la cuasivarianza muestral, S 2 .
1 n
( )
2
S2 = ∑ yi − y
n − 1 i =1
que también tiene la propiedad de ser insesgado
E (S2 ) = σ 2
Cuando las variables Y, Y1, ..., Yn son dicotómicas, sólo toman dos valores (0 y 1), su media µ
representa una proporción y se nota como p y el estimador de la misma, la proporción
muestral, por p
1 n
p= ∑ yi ,
n i =1
yi = 0, 1
Este estimador, como media muestral que es, tiene las mismas propiedades mencionadas
antes.
La varianza de la población es en este caso σ 2 = pq , donde q=1-p. Como antes, el estimador
insesgado de la varianza es la cuasivarianza muestral que para este tipo de variables es igual a
n
S2 = pqɵ
n −1
Si conocemos más características de las variables aleatorias Y, Y1,..., Yn, conoceremos más
propiedades de la media muestral, aparte de las mencionadas. Así,
si Y → N ( µ , σ 2 ) σ 2 conocida
y−µ
→ N (0,1)
σ
n
20
si Y → N ( µ , σ 2 ) σ 2 desconocida
y−µ
→ tn −1 ≈ N (0,1) (en la práctica, para n > 30 )
S
n
si Y → cualquier distribución (por el Teorema Central del Límite) cuando n → ∞
y−µ y−µ
≈ → N (0,1) (en la práctica, para n>30)
σ S
n n
p− p p− p p− p
≈ = → N (0,1) (en la práctica, para n>30)
pq n pqɵ pqɵ
n n −1 n n −1
Todo lo anterior puede resumirse diciendo que la media muestral (de variables numéricas, y ,
21
En esta última expresión aparecen valores y expresiones fundamentales en las técnicas de
estimación:
1-α=0,95= nivel de confianza del 95%.
La segunda lectura:
σ σ
Py −2 ≤ µ ≤ y+2 = 0, 95
n n
expresa la confianza que tenemos de que el verdadero valor del parámetro µ se encuentre
σ σ
entre los extremos del intervalo y − 2 ,y+2 .
n n
varianza V ( X ) = σ 2 , entonces
1
P X − µ ≤ kσ ≥ 1 −
k2
Aplicando lo anterior, en particular, a la media muestral para k=2 se obtiene
σ 1
P y−µ ≤ 2 ≥ 1 − 4 = 0, 75
n
resultado parecido al que obteníamos anteriormente
σ
P y−µ ≤ 2 = 0, 95
n
salvo que en este caso lo más que podemos asegurar es que la probabilidad de que
σ
y−µ ≤2 es mayor de 0,75.
n
22
2.2.2 Estimación puntual. Intervalos de confianza. Contrastes de hipótesis.
Cuando estimamos el valor de un parámetro poblacional con el valor que ha presentado en una
determinada muestra el estimador asociado, hacemos una estimación puntual.
Si dicha estimación puntual se acompaña de un margen de error (límite para el error de
estimación) y de una medida de la certidumbre que se tiene en tal estimación (nivel de
confianza), hablamos de intervalo de confianza. Por ejemplo, utilizando muestras grandes, el
intervalo de confianza para la media poblacional µ con un nivel de confianza del 95% es
S S
y−2 ,y+2
n n
En ocasiones se quiere contrastar con los valores observados en una muestra la posibilidad de
que el verdadero valor de un parámetro de la población sea un determinado valor, por
ejemplo, se quiere contrastar la hipótesis nula H 0 : µ = µ0 con un nivel de significación del
5%. Lo anterior equivale a comprobar si
S S
µ0 ∈ y − 2 ,y+2
n n
en cuyo caso se aceptaría la hipótesis nula, rechazándose en caso contrario.
pq B2
n= , D=
D 4
Ejemplo 2.1. (ejercicio 13, relación tema 2) Un hipermercado desea estimar la proporción de
compras que los clientes pagan con su “Tarjeta de Compras”. Durante una semana observaron
al azar 200 compras de las cuales 35 fueron pagadas con la tarjeta.
a) Estime con un intervalo de confianza la proporción de compras pagadas con dicha tarjeta.
23
b) ¿Cuantas compras deberían observarse para estimar, con un error inferior al 3%, la
proporción de compras pagadas con la tarjeta? (Consideren los datos anteriores como una
muestra previa)
c) Si no se tuviera ninguna información acerca de los clientes que utilizan la tarjeta, cuántas
compras deberíamos observar para asegurar que la anterior estimación se realiza con un
error inferior al 3%.
d) Este mismo hipermercado desea estimar también el valor medio de las compras
realizadas con su “Tarjeta de Compras”. Basándose en los anteriores datos se observa que
el valor total de las compras hechas con la tarjeta fue de 5.600€ (siendo la cuasivarianza
de los datos 625). Estime el valor medio de las compras pagadas con la tarjeta y el error
de estimación asociado.
Solución:
a)
1 n 35 pqɵ
p= ∑
n i =1
yi =
200
= 0,175 n = 200 qɵ = 1 − 0,175 = 0,825 V ( p) =
n −1
= 0, 000726
b)
B2 pq ⌢
B = 0, 03 D= = 0, 000225 n= = 641, 6 ≈ 642
4 D
c)
B2 pq ⌢
B = 0, 03 D= = 0, 000225 p = q = 0,5 n= = 1111,1 ≈ 1112
4 D
d)
1 n 5600
n = 35 y= ∑
n i =1
yi =
35
= 160€
S 2 625
S 2 = 625 V ( y) = = = 17,8571 B = 2 V ( y ) = 8, 45€
n 35
24
2.3.1 Estimación de la media, proporción y total poblacionales.
N −1 2 1 N − n S N − n
( )
2
V y = S =
N n N −1 n N
S2
expresión igual a la del caso de poblaciones infinitas, V ( y ) = , salvo el coeficiente
n
N −n
que se denomina coeficiente corrector para poblaciones finitas (c.p.f.).
N
N −n
En la práctica el coeficiente c.p.f. suele despreciarse si ≥ 0, 95 o lo que es equivalente
N
1
si n ≤ N = 5% N . En muchos casos N no está claramente definido o se desconoce, pero si
20
N −n
N se supone suficientemente grande el c.p.f. se omite, ≅ 1.
N
Para calcular el límite para el error de estimación , con un 95% de confianza, se halla
95% cuando trabajamos con el coeficiente 1,96≈2. Pero en algunos casos, según la
desigualdad de Tchevychev, sólo se puede asegurar que este nivel es mayor de un 75%.
25
(B) Estimación del total poblacional.
τ
Para estimar el total poblacional, τ, dado que µ = ⇒ τ = N µ utilizaremos el estimador
N
n
N
τɵ = N y =
n
∑y
i =1
i .
Varianza estimada de τɵ
S2 N − n S2
V (τɵ ) = V ( N y ) = N 2 V ( y ) = N 2 = N ( N − n)
n N n
Como en el caso de la media, el límite para el error de estimación con una confianza del 95%
está dado por 2 V (τɵ ) . Valiendo comentarios análogos a los hechos anteriormente.
En lo sucesivo se dará el valor de la varianza del estimador para los distintos tipos de
muestreo, omitiéndose, para no repetirnos más, la referencia al límite para el error de
estimación.
Ejemplo 2.2. (ejercicio 1, relación tema 2) Un auditor examina las cuentas abiertas con
diferentes clientes de una empresa. Suponga que existen 1.000 cuentas de las cuales se
examinan 300. La media muestral de las cuentas fue y = 1.040€ y la varianza muestral
(“cuasivarianza”) es S2=45.000€2. Estime el promedio de la deuda y el total de la deuda por
cobrar para las 1.000 cuentas abiertas con un intervalo de confianza al 95%.
Solución:
S n2−1 N − n 45000 1000 − 300
V ( y) = = = 105 2 V ( y ) = 2 105 = 20, 49€
n N 300 1000
(1.040 ∓ 20, 49 ) = (1.019,51 , 1.060, 49 )
τɵ = N y = 1000 ×1040 = 1.040.000€
n pqɵ
su varianza estimada, teniendo en cuenta que S 2 = , es igual a
n −1
S2 N − n pqɵ N − n
V ( p) = =
n N n −1 N
Para estimar el total poblacional de una variable dicotómica usamos
pqɵ
τɵ = N p V (τɵ ) = V ( N p ) = N 2 V ( p ) = N ( N − n) 2 V (τɵ ) = N 2 V ( p)
n −1
Ejemplo 2.3. (ejercicio 2, relación tema 2) Se toma una muestra aleatoria simple de 100
estudiantes de un centro con 900 estudiantes para estimar
• La proporción que votarán a un determinado representante de centro.
• La proporción de ellos que tienen algún tipo de trabajo.
Sean yi , zi (i = 1,...,100) las respuestas del i-ésimo estudiante seleccionado ( yi = 0 cuando
∑y i ∑z i
p1 = i =1
= 0, 70 (70%) p2 = i =1
= 0, 25 (25%)
100 100
p1 qɵ 1 N − n p 2 qɵ 2 N − n
V ( p1 ) = = 0,0018855 V ( p2 ) = = 0, 0016835
n −1 N n −1 N
27
2 V ( y) = B ⇔ V y =
B2
4
( )
=D
σ2 N −n Nσ 2
V ( y) = =D ⇒ n=
n N −1 ( N − 1) D + σ 2
Para estimar el total poblacional con un límite para el error de estimación B, dado que
B2
2 V (τɵ ) = N 2 V ( y ) = B , se llega a la misma expresión de n pero con D =
4N 2
N −1 2
aunque la estimación insesgada de σ es
2
S .
N
Si no se dispone de información previa para estimar la varianza podemos usar que en variables
normales el rango de la muestra es aproximadamente cuatro veces su desviación típica
R R2
σ≅ ⇔ σ2 ≅
4 16
Ejemplo 2.4. (ejercicio 3, relación tema 2) Encuentre el tamaño de muestra necesario para
estimar el valor total de 1.000 cuentas por cobrar con un límite para el error de estimación de
10.000€. Aunque no se cuenta con datos anteriores para estimar la varianza poblacional pero
se sabe que la mayoría de las cuentas caen dentro del intervalo (600, 1.400).
28
Solución:
B2 10.0002
D= = = 25 4σ ≅ 800 ⇒ σ ≅ 200 ⇒ σ 2 ≅ 40.000
4 N 2 4 × 1.0002
Nσ 2
n= = 615, 62 ≈ 616
( N − 1) D + σ 2
Si se realizan dos preguntas (o más) a cada elemento de la muestra, se calcularán los tamaños
muestrales que satisfacen los límites para el error de estimación fijados para cada estimación y
finalmente el mayor de los dos será el tamaño de la muestra que satisface ambos límites.
Ejemplo 2.5. (ejercicio 4, relación tema 2) Los alumnos de TAM de una facultad con 3.000
estudiantes desean realizar una encuesta para determinar la proporción de estudiantes que
están a favor de hacer los exámenes en sábado con un límite para el error de estimación del
10%. La información previa disponible indica que el 60% preferían los exámenes en sábado.
También se quiere estimar la proporción de estudiantes que apoyan al equipo decanal con un
error de estimación del 5%. Determínese el tamaño muestral que se requiere para estimar
ambas proporciones con los límites de error especificados.
Solución:
p1 = proporción de estudiantes que prefieren los exámenes en sábado.
B12 (0,10)2
D1 = = = 0, 0025
4 4
Np1q1 3.000 × 0, 60 × 0, 40
n1 = = = 93, 05 ≈ 94
( N − 1) D1 + p1q1 (2.999 × 0, 0025) + (0, 60 × 0, 40)
p1 qɵ 1 N − n 0, 60 × 0, 40 3.000 − 354
2 V ( p1 ) = 2 =2 = 0, 0489 (≅ 4,9%)
n −1 N 353 3.000
o bien la cota del error de estimación del 10% se tiene con un nivel de confianza mucho
mayor
29
Zα V ( p1 ) = 0,10 ⇒ Zα 0, 02445 = 0,10 ⇒ Zα = 4, 09
2 2 2
buscando en la tabla de la normal (o con ayuda de la hoja de cálculo Excel, ...) la probabilidad
comprendida entre (-4,09 , 4,09) se obtiene 0,99995684, es decir, prácticamente del 100%.
EJERCICIOS RESUELTOS
S2 =
1
9 −1
( 2 2
)
( 33,5 − 40,89 ) + ... + ( 39 − 40,89 ) = 35, 67
( )
V y =
S2
n
= 3,963 ( )
B = 2 V y = 3, 98 €
σ2
S 2 35, 67
c) n = 2 ≅ 2 = = 35, 67 ≈ 36 compras
B B 1
4 4
2. (Ejercicio 17, relación tema 2) Se han entrevistado 1.000 vecinos, elegidos aleatoriamente
entre los más de cien mil habitantes de una ciudad para conocer su opinión sobre los
nuevos impuestos municipales. 655 manifestaron su opinión desfavorable. Estime la
proporción de vecinos que están en contra de los nuevos impuestos y establezca el límite
para el error de estimación. ¿Se puede afirmar que la mayoría de los habitantes están en
contra?
30
SOLUCIÓN:
655
p= = 0, 655 ⇒ p = 65,5%
1.000
2 V ( p) = 0, 0301 ⇒ 3, 01%
p ∈ (62, 49% , 68,51%) ⇒ p > 50% ⇒ sí se puede afirmar que la mayoría de los
habitantes están en contra
3. (Ejercicio 18, relación tema 2) El Centro de Estadística desea estimar el salario medio de
los trabajadores de los invernaderos de una región. Se decide clasificarlos en dos estratos,
los que poseen contrato fijo y los que tienen un contrato temporal. El salario de los
contratos fijos está comprendido entre los 1.200 y 2.200 euros mensuales, el salario de los
contratos temporales está comprendido entre 500 y 1.700 euros mensuales. ¿Cuál debe ser
el tamaño muestral total y su asignación para que se estime el salario medio de los
contratos fijos con un error inferior a 100€ y el salario medio de los contratos temporales
con un error inferior a 120€?`
SOLUCIÓN:
Ri Ri
≈ σi
σ i2
4
2.200-1.200=1000 250 62.500
1.700-500=1.200 300 90.000
σ 12 σ 12 62.500 62.500
n1 = = 2
= = = 25
D1 B 1 100 2 10.000
4 4 4
σ 22 σ 22 90.000 90.000
n2 = = 2
= = = 25
D2 B 2 120 2 14.400
4 4 4
n = n1 + n2 = 50
4. (Ejercicio 14, relación tema 2) Entre todas las oficinas bancarias de una pequeña ciudad se
tienen concedidos 2000 préstamos hipotecarios. Existen razones para pensar que el
préstamo hipotecario de menor cuantía es de algo más de 1200 euros, siendo de casi 11000
31
euros el de mayor cuantía. ¿cuál es el tamaño muestral necesario para estimar estos dos
parámetros:
- la cuantía media de los prestamos cometiendo un error de estimación menor de 400
euros y
- la proporción de préstamos pendientes de amortizar más de la mitad de la deuda
cometiendo un error máximo del 5%?
SOLUCIÓN:
N = 2.000
R
R = 11.000 − 1.200 = 9.800 ⇒ σ ≅ = 2450 σ 2 ≅ 6.002.500
4
B 2 4002
D= = = 40.000
4 4
Nσ 2
n= = 139, 65 ≈ 140
( N − 1) D + σ 2
B 2 0.052
D= = = 0, 000625
4 4
Npq
p = q = 0,5 n= = 333, 47 ≈ 334
( N − 1) D + pq
Para conseguir estimar los dos parámetros con los niveles de error especificados
necesitamos un tamaño muestral igual al máximo de 140 y 334. n = 334 .
5. (Ejercicio 15, relación tema 2) Se desea estimar el salario medio de los empleados de una
empresa y la proporción de empleados que apoyan a la actual directiva. La empresa tiene
110 empleados y se sabe que el salario está comprendido entre los 1500 y 1800 euros
mensuales. ¿Cuál debe ser el tamaño muestral para que al estimar el salario medio la cota
de error se sitúe en 10 euros y al estimar la proporción de los que apoyan a la actual
directiva el error máximo cometido sea del 2%?
SOLUCIÓN:
R
N = 110 R = 1.800 − 1.500 = 300 ⇒ σ ≅ = 75 σ 2 ≅ 5625
4
B 2 102
D= = = 25
4 4
Nσ 2
n= = 74,1 ≈ 75
( N − 1) D + σ 2
B 2 0.022
D= = = 0, 0001
4 4
32
Npq
p = q = 0,5 n= = 105, 4 ≈ 106
( N − 1) D + pq
6. (Ejercicio 16, relación tema 2) Una empresa de trabajo temporal quiere investigar las
necesidades de empleo de las empresas de un pueblo. Para ello decide seleccionar una
muestra de 5 de las 25 inscritas en el registro mercantil. El número de bajas en el último
año, el número de empleados y la respuesta de cada empresa sobre si utilizaría los
servicios de la empresa de trabajo temporal fueron los siguientes:
Empresa Bajas Empleados Respuesta
1 1 7 Si
2 2 15 No
3 9 85 Si
4 0 3 No
5 2 12 No
a) Estime el número de bajas en el último año en las empresas del pueblo. Calcule el
límite para el error de estimación.
b) Estime el número de empresas que usarían los servicios ofertados. Calcule el límite
para el error de estimación.
SOLUCIÓN:
a) N = 25 n=5
14
y= = 2,8 ⇒ τɵ = N y = 70
5
S2 12, 7
V (τɵ ) = N ( N − n) = 25 × 20 = 1270
n 5
B = 2 V (τɵ ) = 71, 2741
Nota: este apartado podrá resolverse de otra forma cuando estudiemos el muestreo por
conglomerados. Véase ejercicio 10 de la relación del capítulo 6)
b)
2
p= = 0, 4 ⇒ τɵ = N p = 10
5
pqɵ 0, 24
V (τɵ ) = N ( N − n) = 25 × 20 = 30
n −1 4
B = 2 V (τɵ ) = 10,9545
7. (Ejercicio 21, relación tema 2) El consumo medio de combustible de los taxis de una
ciudad es 5.6 litros cada 100 Km. Puesto que se considera que el consumo es demasiado
elevado, en 600 taxis se monta un dispositivo para disminuirlo. Pasado cierto tiempo se
33
toma una muestra aleatoria de 20 taxis, elegidos entre los 600 que colocaron el dispositivo.
El consumo en litros de combustible por cada 100 Km. se recoge en la siguiente tabla
Taxi nº Consumo Taxi nº Consumo Taxi nº Consumo Taxi nº Consumo
1 5.4 6 6.3 11 3.6 16 5.4
2 5.5 7 5.4 12 6.7 17 4.8
3 6.9 8 5 13 5.2 18 4.7
4 3.9 9 4.5 14 5.1 19 5.8
5 4.5 10 4.4 15 5.4 20 6.2
a) Estímese mediante un intervalo de confianza la proporción de taxis con un consumo
inferior a 5.6 litros/100 Km.
b) ¿Cuantos taxis deben observarse para estimar la anterior proporción con un error
menor o igual que un 10%?
SOLUCIÓN:
a) 15 de los 20 taxis no superan el consumo de 5’6 litros/100 Km, por tanto
2 V ( p) = 0 '1953
( 0 '10 )
2
b) B = 0 '10 D= = 0 '0025
4
34
SOLUCIÓN:
yi yi2
35,50 1260,25
32,00 1024,00
43,00 1849,00
41,00 1681,00
44,00 1936,00
42,50 1806,25
n n
∑y
i =1
i = 238,00 ∑y
i =1
2
i = 9556,50
N n
100 ⌢
τɵ = N y =
n
∑y
i =1
i =
6
238=3966,6
2
n
n ∑ yi
∑ yi2 − i =1
1 2382
1 n
( ) n
2
S2 = ∑ yi − y
n − 1 i =1
= i =1
n −1
= 9556,50 −
5 6
= 23,1667
2
S 23,1667
2 V (τɵ ) = 2 N ( N − n) = 2 100(100 − 6) = 381, 02
n 6
Los anteriores cálculos que se han realizado a mano o con ayuda de una calculadora básica
se simplifican notablemente si utilizamos una calculadora científica de uso común. Estas
calculadoras nos proporcionan los valores de un grupo de funciones estadísticas
∑x 2
∑x x σ n = sx σ n − 1 = Sx de forma inmediata.
35
SOLUCIÓN: N=5000, n=300
51 pqɵ N − n
p= = 0,17 qɵ = 1 − p = 0,83 V ( p ) = = 0, 00044359197 2 V ( p ) = 0, 0421
300 n −1 N
25% ∉ (17% ∓ 4, 21% ) = (12, 79%, 21, 21% )
luego se rechaza la hipótesis de que en el 25% de los hogares de esa ciudad habita al
menos una persona mayor de 65 años.
1 n 1 n
( )
2
N=45, n=5 y= ∑ yi = 5, 26
n i =1
S2 = ∑ yi − y
n − 1 i =1
= 2, 563
S2 N − n
V ( y) = = 0, 4556 2 V ( y ) = 1,35 INTERV . CONF .: ( 3, 91 min ., 6, 61 min .)
n N
Valores mayores e igual a 6 minutos pertenecen al intervalo de confianza, por tanto no
podemos aceptar esa hipótesis.
11. (Ejercicio 11, relación tema 2) Con objetivos benéficos, una asociación filantrópica ha
solicitado firmas para una petición en 700 hojas. Cada hoja tiene espacio suficiente para
40 firmas pero en muchas de las hojas se ha obtenido un número menor. Contando el
número de firmas por hoja en una muestra aleatoria de 50 hojas se han observado los
siguientes resultados:
50 50
∑ Y = 1.450; ∑ Y
i =1
i
i =1
i
2
= 54.496
¿Cuál sería la previsión más optimista y más pesimista en cuanto al número total de firmas
recogidas para la petición?
SOLUCIÓN: N=700, n=50
2
n
n ∑ yi
∑ yi2 − i =1
1 n 1450 n
y= ∑
n i =1
yi =
50
= 29 S 2 = i =1
n −1
= 254
36
2
S
τɵ = N y = 20.300 V (τɵ ) = N ( N − n) = 2.311.400 B = 2 V (τɵ ) = 3.040, 66
n
( 20.300 ∓ 3.040, 66 ) = (17.259,34 , 23.340, 66 )
Previsión más optimista: 23.340 ; previsión más pesimista: 17.259
37
3. Muestreo aleatorio estratificado.
3.1 Selección de una muestra aleatoria estratificada.
3.2 Estimación de la media, proporción y total poblacionales.
3.3 Determinación del tamaño muestral.
3.4 Asignación de la muestra.
3.4.1 Asignación óptima.
3.4.2 Asignación de Neyman.
3.4.3 Asignación proporcional.
3.5 Estratificación después de seleccionar la muestra.
38
σ i2 = varianza poblacional del estrato i Si2 = varianza muestral del estrato i
L
τ 1 L
τɵ st = ∑ N i y i y la media poblacional µ = mediante y st = ∑N i yi
i =1 N N i =1
Varianza estimada de y st
1 L 2 1 L 2 Si2 N i − ni
V ( y st ) = ∑ i i N2 ∑
N 2 i =1
N V ( y ) =
i =1
Ni
ni N i
(se obtiene aplicando las propiedades de la varianza mencionadas en el capítulo 2)
Varianza estimada de τɵ st
2 S i N i − ni
L 2
V (τ st ) = N V ( y st ) = ∑ N i
ɵ 2
i =1 ni N i
Varianza estimada de p st
1 L 2 1 L 2 pi qɵ i N i − ni
V ( p st ) = 2 ∑ N i V ( pi ) = 2 ∑ N i
N i =1 N i =1 ni − 1 N i
Estimador del total poblacional τ
L
τɵ st = N p st = ∑ N i pi
i =1
39
Varianza estimada de τɵ st
L
p qɵ N − n
V (τɵ st ) = N 2 V ( p st ) = ∑ N i2 i i i i
i =1 ni − 1 N i
Solución: en primer lugar se calculan las medias y varianzas muestrales en cada estrato
y1 = 34, 67 horas / semana y 2 = 28,17 h / s y 3 = 17, 56 h / s S12 = 23, 24 S 22 = 112,57 S32 = 19, 28
y = 28, 23 S 2 = 92, 74
A partir de estos valores calculamos las varianzas de los estimadores de la media en cada
estrato y los límites para los errores de dichas estimaciones
N1 = 210 N 2 = 84 N 3 = 126 N = N1 + N 2 + N 3 = 420
n1 = 15 n2 = 6 n3 = 9 n = n1 + n2 + n3 = 30
40
S12 N1 − n1 S 22 N 2 − n2 S32 N 3 − n3
V ( y1 ) = = 1, 44 V ( y2 ) = = 17, 42 V ( y3 ) = = 1, 99
n1 N1 n2 N 2 n3 N 3
2 V ( y1 ) = 2, 40 h / s 2 V ( y 2 ) = 8,35 h / s 2 V ( y 3 ) = 2,82 h / s
Para el conjunto de todos los hogares el estimador de la media es
1 3
∑ Ni y i = 28, 23 h / s
y st =
N i =1
y la varianza de este estimador la podemos calcular basándonos en las varianzas de los
estimadores de la media en cada estrato mediante
3
1
V ( y st ) =
N2
∑N
i =1
i
2
V ( y i ) = 1, 24
o, si se prefiere, utilizando
1 3 2 Si2 N i − ni
∑ Ni n N
V ( y st ) =
N 2 i =1 i i
el error para la estimación de la media para todos los hogares está dado por
2 V ( y st ) = 2, 22 h / s
Ejemplo 3.2. (Ejercicio 2, práctica 3) En el caso anterior, también se desea saber qué
proporción de hogares ven un determinado programa, para decidir la conveniencia de insertar
un anuncio en los intermedios del mismo. La respuesta a la pregunta de si ven dicho
programa por los hogares de la muestra anterior se recoge a continuación:
BARRIO A BARRIO B BARRIO C
SI NO SI SI SI NO SI
SI SI SI NO SI SI
NO NO NO SI SI SI
NO SI NO SI NO NO
SI NO NO SI SI
Estime con un intervalo de confianza la proporción de hogares del municipio donde se ve el
programa.
Solución: en primer lugar se calculan las proporciones muestrales en cada estrato
7 5 6
p1 = = 0, 4667 p2 = = 0,8333 p3 = = 0, 6667
15 6 9
La estimación puntual de la proporción de hogares del municipio donde se ve el programa es
1 3
∑ Ni pi = 0, 60
p st =
N i =1
la varianza y error de estimación asociados son
1 3 2 pi qɵ i N i − ni
V ( p st ) = ∑ Ni n − 1 N = 0, 00748
N 2 i =1
2 V ( p st ) = 0,173
i i
y el intervalo de confianza expresado en porcentajes es
41
( 60% ∓ 17,3% ) = ( 42, 7%, 77,3% )
ni N i − 1
.
No podemos despejar el valor de todos los ni de una sola ecuación a menos que conozcamos
la relación entre los ni y n . Hay diversas formas de asignar el tamaño muestral n en los
obteniendo el tamaño muestral aproximado que se requiere para estimar µ con un límite para
el error de estimación B (aproximado porque se hacen algunas modificaciones como
N i − 1 ≅ N i , ... para resolver la anterior ecuación).
L
N i2σ i2
∑i =1 ωi
n= L
N 2 D + ∑ N iσ i2
i =1
2
B B2
D= y la misma expresión vale para el total tomando D = .
4 4N 2
Al igual que en el M.A.S. para poder usar la anterior ecuación necesitamos conocer las
varianzas poblacionales de los estratos o valores aproximados de ellas, para lo cual se pueden
usar las varianzas muestrales de un estudio previo o conocer la amplitud de variación de las
observaciones dentro de cada estrato.
En el caso de variables dicotómicas se obtiene una expresión similar, teniendo en cuenta que
en este caso particular σ i2 = pi qi
L
N i2 pi qi
∑
i =1 ωi
n= L
N 2 D + ∑ N i pi qi
i =1
B2 B2
D= (para estimar p) y la misma expresión vale para el total tomando D = .
4 4N 2
42
3.4 Asignación de la muestra.
Hay diversas formas de asignar el tamaño muestral n en los distintos estratos.
El objetivo del diseño de una encuesta por muestreo es proporcionar estimadores con varianza
pequeña (por tanto, pequeño error de estimación) al menor coste posible.
El mejor esquema de asignación está influido por:
• El número total de elementos en cada estrato.
• La variabilidad de las observaciones en cada estrato.
• El coste de obtener una observación en cada estrato.
sustituyendo los ω j en la expresión que obteníamos antes para n se tiene el tamaño total de la
43
L
N iσ i
C∑
i =1 ci
n= L
∑Nσ
i =1
i i ci
∑Nσi =1
i i
2
(∑ N σ ) L
i i
n= i =1
L
N D + ∑ N iσ i2
2
i =1
Caso dicotómico
N j pjqj
ωj = L
∑Ni =1
i pi qi
2
(∑ NL
i pi qi )
n= i =1
L
N 2 D + ∑ N i pi qi
i =1
A este tipo de asignación se le denomina de Neyman, que como acabamos de decir coincide
con la asignación óptima cuando los costes de observación son iguales en todos los estratos.
Las expresiones de esta asignación son más simples que las de la óptima y se utiliza aún
cuando los costes de observación no son idénticos, a veces, sencillamente porque no se
conocen.
44
Caso numérico
Nj
ωj =
N
∑N σ i i
2
n= i =1
L
1
ND +
N
∑Nσ
i =1
i i
2
Caso dicotómico
Nj
ωj =
N
L
∑N pq i i i
n= i =1
L
1
ND +
N
∑N pq
i =1
i i i
45
Aún tomando el mayor de los tamaños muestrales (100) y pasando la encuesta a 10 individuos
del estrato 1 y 90 del estrato 2 no tenemos garantizado que se satisfaga el error de estimación
fijado para la segunda estimación que necesita al menos 20 individuos de cada estrato.
Nj
En la asignación proporcional no ocurre lo anterior pues los ω j = son iguales para todas
N
las variables al no depender de sus varianzas, así si en dos estimaciones para los niveles de
error requeridos tenemos lo siguiente
1ª estimación: n = 100 ω1 = 0,30 ⇒ n1 = 30 ω2 = 0, 70 ⇒ n2 = 70
2ª estimación: n = 40 ω1 = 0,30 ⇒ n1 = 12 ω2 = 0, 70 ⇒ n2 = 28
tomando como n el máximo de los dos (o de los k si hay k variables que se observan), se
tiene garantizado que se cumple con los límites para el error fijados para todas las
estimaciones.
46
N iσ i
Ni σi ci N iσ i ci ci N iσ i2
210 4,8208 1 1012,368 1012,368 4880,4
84 10,6094 3 2673,5688 297,0632 9455,04
126 4,3909 2 1106,5068 276,6267 2429,28
420 4792,4436 1586,0579 16764,72
B2 1
D= = = 0, 25
4 4
3 3
Ni σ i
∑N σ
i =1
i i ci ∑
i =1 ci 4792, 4436 × 1586, 0579
n= = = 124,89
N 2 D + ∑ N iσ i2
3
( 4202 × 0, 25) + 16764, 72
i =1
N1σ 1
c
ω1 = 3 1 = 0, 6383 ω2 = 0,1873 ω3 = 0,1744
N iσ i
∑i =1 ci
y los tamaños de la muestra en cada estrato están dados por la asignación óptima
n1 = 0, 6383n = 126, 75 ≈ 126 n2 = 0,1873n = 37,19 ≈ 37 n3 = 0,1744n = 34, 63 ≈ 34
n = 126 + 37 + 34 = 197
o bien resolviendo la ecuación
c1n1 + c2 n2 + c3 n3 = 600
donde ni = ωi n
600 600
n= = = 198,57
c1ω1 + c2ω2 + c3ω3 3, 0216
47
Ejemplo 3.4 (Ejercicio 2, práctica 3) Continuando con el ejemplo 3.2
a) Cuántos hogares deberían entrevistarse si se quisiera hacer dicha estimación con un
error inferior al 5%. (Supóngase que se realiza la entrevista por teléfono y el coste de
las observaciones es el mismo para todos los casos al no ser necesarios los traslados.
Tómese los anteriores datos como una muestra previa para estimar los parámetros
necesarios)
b) Respóndase a la pregunta anterior pero suponiendo que no se tiene ninguna
información previa sobre la proporción de hogares donde se ve el programa.
Solución: a)
Ni pi qi N i pi qi N i pi qi
210 0,4667 0,5333 52,2671 104,7669
84 0,8333 0,1667 11,6685 31,3075
126 0,6667 0,3333 27,9986 59,3955
420 91,9342 195,4699
B 2 0, 052
D= = = 0, 000625
4 4
2
(∑ N
3
i pi qi ) 195, 46992
n= i =1
= = 188,98
3
N 2 D + ∑ N i pi qi ( 4202 × 0, 000625) + 91,9342
i =1
∑N pq i i i
105
n= i =1
L
= = 204,878
105
ND +
1
∑N pq i i i ( 420 × 0, 000625 ) +
N i =1 420
210
n1 = 204,878 = 102, 439 ≈ 103 análogamente n2 = 40,98 ≈ 41 n3 = 61, 46 ≈ 62
420
n = 103 + 41 + 62 = 206
48
El muestreo estratificado no siempre conduce a un estimador con menor error de
estimación, esto suele ocurrir cuando los estratos no incluyen datos homogéneos.
Esto es debido muchas veces a que predomina el deseo de obtener estimaciones en cada
estrato (por ejemplo, en un estudio regional también se quieren obtener estimaciones a nivel
provincial) frente al objetivo de minimizar los errores de los estimadores. Este problema
queda bien ilustrado con el siguiente ejemplo.
Estime el consumo anual medio por hogar y fije un límite para el error de estimación.
N1 N2 N3 N4
Solución: = 0, 20 = 0,30 = 0, 25 = 0, 25
N N N N
4 4
1 Ni
y st = ∑ Ni y i = ∑ y i = ( 0, 20 × 507, 5 ) + ( 0,30 × 505 ) + ( 0, 25 × 492 ) + ( 0, 25 × 498 ) = 500,5€
N i =1 i =1 N
1 20 10010
y= ∑
n i =1
yi =
20
= 500,5€
49
En la siguiente expresión consideramos los c.p.f. en cada estrato iguales a la unidad
2
1 4
Si2 N i − ni 4
N i2 Si2 2
N i Si2
V ( y st ) = 2
N
∑
i =1
N
i
2
ni N i
= ∑
i =1 N
2
ni
= ∑
i =1 N ni
=
2 V ( y st ) = 18, 79 €
Supongamos que el distribuidor hubiera decidido tomar una muestra aleatoria simple de 20
hogares, los mismos 20 de la tabla anterior, entonces el estimador de la media es
1 20
y= ∑ yi = 500, 5 €
n i =1
que coincide con el estimador del muestreo estratificado por las razones mencionadas
anteriormente, pero la varianza estimada y error de estimación asociados toman los valores
(se omite el c.p.f.):
S n2−1 = 1520, 79
S n2−1 N − n 1520, 79
V ( y) = = = 76, 04
n N 20
2 V ( y ) = 17, 44 €
Se observa que el error de estimación es menor en el caso del muestreo aleatorio simple, esto
es debido a que el distribuidor no tuvo en cuenta que el consumo varía mucho dentro del
cuarto municipio. Pudo haber obtenido un error menor si hubiera estratificado en base al
tamaño de las familias u hogares, esto es, colocando los hogares pequeños en un estrato, los
medianos en otro, ...
aunque n sea fijo. Luego esto no es una muestra aleatoria estratificada en su pleno sentido,
50
Ni
pero si es conocido y ni ≥ 20 ∀i , entonces este método de estratificar después de la
N
selección es casi tan exacto como el muestreo aleatorio estratificado con asignación
Ni
proporcional. Si se desconoce o no se puede tener una buena aproximación de su valor,
N
este método no debe usarse.
Ejemplo 3.6 (Ejercicio 17, relación tema 3) En una ciudad se sabe que el 30% de los hogares
tienen calefacción eléctrica. Al realizar una encuesta sobre el consumo de energía (valor en
euros de la factura bimensual) se obtuvieron los siguientes resultados:
Tipo Calefacción Nº casas Valor total de las facturas desviación típica muestral
Eléctrica 60 5730 200
No eléctrica 40 2080 90
Obtenga una estimación del valor medio de la factura de electricidad en la ciudad. Dé un
límite para el error de estimación.
Solución: Ya que la proporción observada de facturas de hogares con calefacción eléctrica
(0,60=60/100) está muy alejada de la proporción verdadera (0,30), es conveniente la
estratificación después de que se ha seleccionado la muestra aleatoria simple. Además el
procedimiento se justifica pues tanto n1 como n2 superan 20.
5730 2080
y1 = = 95,5€ y2 = = 52€
60 40
2 2
1 Ni
y st =
N
∑ Ni y i = ∑
i =1 i =1 N
y i = (0, 30 × 95,5) + (0, 70 × 52) = 65, 05€
1 2
Si2 N i − ni 2
N2 S2 N − n
V ( y st ) =
N2
∑ Ni2
i =1 ni N i
= ∑ i2 i i i
i =1 N ni N i
omitiendo el coeficiente corrector por poblaciones finitas se tiene
2
2
N i2 Si2 2
N i Si2 2 200
2
2 90
2
V ( y st ) = ∑ = ∑ = 0,30 + 0, 70 = 159, 225
i =1 N 2 ni i =1 N ni 60 40
2 V ( y st ) =25,24€
A veces este método de estimación se utiliza para ajustar por no respuesta. Por ejemplo, si
muchos de quienes no respondieron a una muestra aleatoria simple son varones, entonces la
proporción de varones en la muestra va a ser pequeña, y se podría conseguir un estimador
ajustado mediante la estratificación después del muestreo.
51
Así, en este ejemplo la baja representación en la muestra de facturas sin calefacción eléctrica y
la alta de facturas con calefacción eléctrica conducen a una sobreestimación del valor medio
de las facturas si se utiliza m.a.s. y no se ajusta la estimación de la media con la estraficación
después de seleccionar la muestra:
EJERCICIOS RESUELTOS
1. (Ejercicio 10, relación tema 3) De una ciudad con 350 casas, se sabe que 164 de ellas
tienen calefacción eléctrica. Al realizar una encuesta sobre el consumo de energía (en
kilovatios-hora) se obtuvieron los siguientes resultados:
Tipo Calefacción Nº casas Media muestral Cuasivarianza muestral
Eléctrica 24 972 202,396
No eléctrica 36 463 96,721
a. Obtenga una estimación del número medio de kilovatios-hora utilizado en la
ciudad. Dé un límite para el error de estimación.
b. Obtenga una estimación del número medio de kilovatios-hora utilizado por las
casas que no tienen calefacción eléctrica. Dé un límite para el error de
estimación.
SOLUCIÓN:
a.
Ni ni yi Si2 Ni y i N i − ni Si2 N i − ni
2
Ni
Ni ni N i
164 24 972 202,396 159.408 0,854 193.699,13
186 36 463 96,721 86.118 0,806 74.925,32
350 245.526 268.624,45
L
1 245.526
y st =
N
∑N y
i =1
i i =
350
= 701, 50
1 L
Si2 N i − ni 268.624, 45
V ( y st ) =
N2
∑ Ni2
i =1 ni N i
=
3502
= 2,19
2 2,19 = 2,96
52
b.
y 2 = 463
2 2,17 = 2, 94
L
N iσ i L
N iσ L
Ni L
Ni
C∑ C∑ Cσ ∑ C∑
i =1 ci i =1 ci i =1 ci i =1 ci 20.000 × 3.028, 624
n= L
= L
= L
= L
= = 1784,81
33.937, 726
∑Nσ
i =1
i i ci ∑Nσ
i =1
i ci σ ∑ N i ci
i =1
∑N
i =1
i ci
Ni ci Ni N i ci ωi
ci
9.000 10 2.846,05 28.460,5 2.846,05/3.028,624=0,9397
1.000 182,574 5.477,226 182,574/3.028,624=0,0603
30
10.000 3.028,624 33.937,726 1,0000
53
3. (Ejercicio 12, relación tema 3) Se desea conocer el número de fines de semana que las
familias de una gran ciudad salen fuera de ella. Se sabe que el 42’5% de las familias tienen
de 0 a 2 hijos, el 30% tienen de 3 a 5 hijos y el 27’5% tienen más de 5 hijos. Se realizó un
muestreo según el número de hijos y se preguntó a las familias sobre los fines de semana
que pasan fuera, obteniéndose los siguientes datos:
Número de hijos ni n
S i2
∑ yi
i =1
0-2 25 239 60’76
3-5 19 174 63’01
Mas de 5 16 78 78’24
Estimar el número medio de fines de semana que las familias pasan fuera de la ciudad y
dar el límite de error de estimación. Omitir el corrector por población finita.
SOLUCIÓN:
239 174 78
y1 = = 9,56 y2 = = 9,16 y3 = = 4,87
25 19 16
L L
1 Ni
y st = ∑ Ni y i = ∑ y i = ( 0, 425 × 9, 56 ) + ( 0, 30 × 9,16 ) + ( 0, 275 × 4,87 ) = 8,15
N i =1 i =1 N
N i − ni Si2 N i − ni
2
Si2 N 2 S2 N i Si
L L L L 2
1 1
Si
Ni
= 1 ⇒ V ( y st ) = 2
N
∑ Ni2
i =1 ni N i
= 2
N
∑ Ni2
i =1
= ∑ i2 i = ∑
ni i =1 N ni i =1
N ni
=
4. (Ejercicio 6, relación tema 3) Una compañía de autobuses está planeando una nueva ruta
para dar servicio a cuatro barrios. Se tomaron muestras aleatorias de hogares en cada
barrio y se solicitó a los miembros de la muestra que valorasen en una escala de 1
(totalmente opuesto) a 5 (totalmente a favor) su opinión sobre el servicio propuesto. Los
resultados se resumen en la tabla adjunta:
Barrio
1 2 3 4
N i 240 190 350 220
ni 25 25 25 25
y i 3,5 3,6 3,9 3,8
S i 0,8 0,9 1,2 0,7
a) Halle un intervalo de confianza para la opinión media de los hogares que dispondrán del
nuevo servicio.
b) Si se asigna la muestra de 100 hogares de la mejor forma, determine cuántos
pertenecerían al barrio 3. (Suponga iguales los costes de observación)
54
SOLUCIÓN:
a)
L
1 L
1 L
Si2 N i − ni
N = ∑ N i = 1000 y st = ∑ Ni y i =3, 725 V ( y st ) = ∑ Ni2 = 0, 00973
i =1 N i =1 N2 i =1 ni N i
B = 2 V ( y st ) = 0,1973 µ ∈ ( 3,5277 , 3,9223)
b)
N 3σ 3 350 × 1, 2
n3 = nω3 = 100 = 100 =
4
(240 × 0,8) + (190 × 0,9) + (350 × 1, 2) + (220 × 0, 7)
∑Nσ
i =1
i i
5. (Ejercicio 20, relación tema 3) Una empresa especializada en seguros está pensando en
ofrecer sus servicios a las empresas de los polígonos industriales de una ciudad. Para
ajustar sus tarifas desea estimar el gasto en pequeñas reparaciones de mantenimiento
(objeto del seguro) de dichas empresas. Se clasifican las empresas en función de su
tamaño. El número de empresas de cada tipo, el coste de obtención de esta información en
cada empresa así como los valores mínimos, medios y máximos de un estudio similar
hecho hace dos años se expresan en la siguiente tabla (los costes y gastos están expresados
en euros)
Tipo de Número de Costes de Gastos de reparación
empresa empresas observación Mínimo Media Máximo
A 100 16 400 500 600
B 500 9 240 300 360
C 700 4 70 100 130
Si la empresa de seguros dispone de hasta 600 € para llevar a cabo la estimación, ¿cuántas
empresas de cada tipo tiene que observar para conseguir que sea mínimo el error de
estimación asociado?
SOLUCIÓN:
La asignación que minimiza la cota del error de estimación para un coste fijo es la
asignación óptima.
R
Usamos que R≈4σ y por tanto estimamos que σ ≈ .
4
N iσ i
Ni ci ci Ri σi ci ωi
100 16 4 600-400 50 1250 0’1087
500 9 3 360-240 30 5000 0’4348
700 4 2 130-70 15 5250 0’4565
11500 1
600 = 16n1 + 9n2 + 4n3 ( ni = ωin ) 600 = 1’7392n + 3’9132n + 1’826n = 7’4784n
55
n = 600/7’4784 = 80’231
6. (Ejercicio 13, relación tema 3) En una población compuesta por aproximadamente igual
número de hombres que de mujeres se desea estimar el gasto medio mensual por habitante
en ocio. Se lleva a cabo la encuesta por teléfono mediante una muestra aleatoria simple de
500 números de teléfono del citado municipio. Después de obtenidos los datos se observa
que sólo 100 de los encuestados fueron hombres y el resto mujeres. Por ello se decide
llevar a cabo una estratificación después de seleccionar la muestra obteniéndose los
siguientes datos
HOMBRES MUJERES
Ni 2.500 2.700
ni 100 400
yi 120 250
Si2 9.000 16.000
Estime la media poblacional de gasto mensual en ocio y su cota de error, mediante
muestreo aleatorio estratificado después de seleccionar la muestra.
SOLUCIÓN:
Ni ni yi Si2 Ni y i N i − ni Si2 N i − ni
N i2
Ni ni N i
2.500 100 120 9.000 300.000 0,96 540.000.000
2.700 400 250 16.000 675.000 0,85185 248.399.460
5.200 500 975.000 788.399.460
L
1 975.000
y st =
N
∑N y
i =1
i i =
5.200
= 187, 5
1 L
Si2 N i − ni 788.399.460
V ( y st ) = 2
N
∑
i =1
N i
2
ni N i
=
5.2002
= 29,16
2 29,16 = 10,8
7. (Ejercicio 14, relación tema 3) En una población compuesta por aproximadamente igual
número de hombres que de mujeres se desea estimar la proporción de individuos que ven
un determinado programa de televisión. Se lleva a cabo la encuesta por teléfono mediante
56
una muestra aleatoria simple de 300 números de teléfono. Después de obtenidos los datos
se observa que sólo 50 de los encuestados fueron hombres y el resto mujeres. Por ello se
decide llevar a cabo una estratificación después de seleccionar la muestra obteniéndose los
siguientes datos
HOMBRES MUJERES
Encuestados 50 250
Ven el programa 12 130
Estime la proporción de la población que ven el programa de televisión y su cota de error,
mediante muestreo aleatorio estratificado después de seleccionar la muestra.
SOLUCIÓN:
12 130
p1 = = 0, 24 p2 = = 0,52 qɵ i = 1 − p i
50 250
L L
1 Ni
p st = ∑N i pi = ∑ p i = ( 0, 50 × 0, 24 ) + ( 0,50 × 0,52 ) = 0,38 ⇒ p st = 38%
N i =1 i =1 N
N i − ni
=1 ⇒ Si
Ni
p qɵ N − n p qɵ N 2 p qɵ N i p i qɵ i
2
1 L 1 L L L
V ( p st ) = 2 ∑ N i2 i i i i = 2 ∑ N i2 i i = ∑ i2 i i = ∑ =
N i =1 ni − 1 N i N i =1 ni − 1 i =1 N ni − 1 i =1 N ni − 1
0, 24 × 0, 76 2 0,52 × 0, 48
= 0,502 + 0,50 = 0, 0011812146
49 249
2 V ( p st ) = 0, 0687 ⇒ 6,87%
8. (Ejercicio 15, relación tema 3) Una corporación desea estimar el número total de horas
perdidas debido a accidentes de sus empleados, en un determinado mes. Ya que los
obreros, técnicos y administrativos tienen diferentes tasas de accidentes, la corporación
decide usar muestreo estratificado, formando con cada grupo un estrato. Datos de años
previos sugieren las cuasivarianzas mostradas en la siguiente tabla para el número de horas
perdidas por empleado en los tres grupos, y de datos actuales se obtienen los tamaños de
los estratos. No habiendo diferencia entre los costes de observación de cada grupo,
determine la mejor asignación para una muestra de 40 empleados.
Obreros Técnicos Administrativos
Si2 36 25 9
Ni 132 92 27
57
SOLUCIÓN:
Ni σ i ≈ Si N iσ i ωi
132 6 792 792 = 0,5941
1.333
92 5 = 0,3451
460 460
1.333
27 3 81
81 = 0, 0608
1.333
1.333 1
Donde se ha aplicado la asignación de Neyman al ser los costes de observación iguales:
N jσ j n1 = 40 × 0,5941 = 23,8 ≈ 24
ωj = L
n2 = 40 × 0, 3451 = 13,8 ≈ 14
∑Nσ
i =1
i i
n3 = 40 × 0, 0608 = 2, 4 ≈ 2 n = 40
Ni ci pi qɵ i p i qɵ i N i p i qɵ i ωi
ci
5.000 3 0,90 0,10 0,3 500 500 = 0, 4795
1.042, 695
2.000 5 0,55 0,45 0,4975 199 199 = 0,1909
1.042, 695
3.000 4 0,70 0,30 0,45826 343,695 343, 695 = 0,3296
1.042, 695
1.042,695 1
Donde se ha aplicado la asignación óptima:
p jq j n1 = 200 × 0, 4795 = 95,9 ≈ 96
Nj
cj n2 = 200 × 0,1909 = 38, 2 ≈ 38
ωj = L
pi qi n3 = 200 × 0,3296 = 65,9 ≈ 66
∑N i
i =1 ci n = 200
10. (Ejercicio 19, relación tema 3) La producción de piezas de una factoría se realiza en dos
máquinas. El 40% de las piezas las produce la máquina A y el 60% restante la máquina B.
Se les pasó control de calidad a 200 piezas; 67 producidas por la máquina A y dos de ellas
resultaron defectuosas; las 133 restantes procedían de la máquina B, siendo 6 de ellas
defectuosas. Estimar la proporción de piezas defectuosas de la factoría y dar el límite de
error de estimación. Omita el coeficiente corrector por población finita.
58
SOLUCIÓN:
p i qɵ i
Estrato Ni ni pi ni − 1
A 0.40 × N 67 2/67=0.030 0.000441
B 0.60 × N 133 6/133=0.045 0.000326
N 200
p=
1
N
( ( 0.40 × N × 0.030 ) + ( 0.60 × N × 0.045) ) = ( ( 0.40 × 0.030 ) + ( 0.60 × 0.045) ) = 0.039 ( 3.9% )
( )
V p =
N
1
2 ( (
0.402 × N 2 × 0.000441) + ( 0.602 × N 2 × 0.000326 ) = )
(
= ( 0.402 × 0.000441) + ( 0.602 × 0.000326 ) = 0.000188 )
B = 2 0.000188 = 0.0274 ( 2.74% )
11. (Como ejercicio 3, relación tema 3) Una inspectora de control de calidad debe estimar la
proporción de circuitos integrados de ordenador defectuosos que provienen de dos
diferentes operaciones de ensamble. Ella sabe que de entre los circuitos integrados que van
a ser inspeccionados, 60% procede de la operación de ensamble A y 40% de la operación
de ensamble B. En una muestra aleatoria de 100 circuitos integrados resulta que 20
provienen de la operación A y 80 de la operación B. De entre los circuitos integrados
muestreados de la operación A, 3 son defectuosos. De entre las piezas muestreadas de la
operación B, 13 son defectuosas. Estime la proporción de los defectuosos en la población,
y fije un límite para el error de estimación.
SOLUCIÓN
1 L
NiL
3 13
p st = ∑ Ni pi = ∑ p i = 0, 60 + 0, 40 = 0,155 (15,5% )
N i =1 i =1 N 20 80
2
1 L 2 p i qɵ i N i − ni L
N i2 p i qɵ i L
N i p i qɵ i
V ( p st ) = 2 ∑ N i =∑ 2 =∑ =
N i =1 ni − 1 N i i =1 N ni − 1 i =1 N ni − 1
19 79
2 V ( p st ) = 0,103 (10, 3% )
59
Categoría Nº de piezas Peso en gramos
Pequeña 5 12, 14, 12, 15, 12
Mediana 6 16, 22, 24, 20, 20, 18
Grande 4 30, 33, 31, 34
Considerando los anteriores datos como una muestra previa, obtenga el número de
unidades que cada categoría debe aportar a la muestra para que el error en la estimación
del peso total no supere el medio kilo.
SOLUCIÓN:
Peso en gramos (con las funciones del modo SD de la calculadora )
12, 14, 12, 15, 12 S1 = 1, 4142 S12 = 2
16, 22, 24, 20, 20, 18 S 2 = 2,8284 S 22 = 8
30, 33, 31, 34 S3 = 1,8257 S32 = 3, 3333
N jσ j
ωj =
Ni σi σ 2
N iσ i N iσ 2 L
ni = 71, 66ωi
i i
∑Nσ
i =1
i i
B2 250.000
(∑ N σ )
L
i i
D= 2
= = 0, 0625 n= i =1
L
= 71, 66
4N 4.000.000
N D + ∑ N iσ
2
i
2
i =1
13. (Ejercicio 3, relación tema 3) Una inspectora de control de calidad debe estimar la
proporción de circuitos integrados de ordenador defectuosos que provienen de dos
diferentes operaciones de ensamble. Ella sabe que de entre los circuitos integrados que van
a ser inspeccionados, 60% procede de la operación de ensamble A y 40% de la operación
de ensamble B. En una muestra aleatoria de 100 circuitos integrados resulta que 20
provienen de la operación A y 80 de la operación B. De entre los circuitos integrados
muestreados de la operación A, 2 son defectuosos. De entre las piezas muestreadas de la
operación B, 16 son defectuosas.
a. Considerando únicamente la muestra aleatoria simple de 100 circuitos
integrados, estime la proporción de los defectuosos en el lote, y establezca un
límite para el error de estimación.
60
b. Estratifique la muestra, después de la selección, en circuitos integrados
provenientes de la operación A y B, estime la proporción de los defectuosos en
la población, y fije un límite para el error de estimación.
c. ¿Qué respuesta encuentra más aceptable? ¿Por qué?
SOLUCIÓN:
18 pqɵ
a. p = = 0,18 (18%) V ( p ) = = 0, 001491 2 V ( p ) = 0, 0772 ( 7, 72% )
100 n −1
1 L L
Ni 2 16
b. p st = ∑ Ni pi = ∑ p i = 0, 60 + 0, 40 = 0,14 (14% )
N i =1 i =1 N 20 80
2
1 L
p i qɵ i N i − ni L
N i2 p i qɵ i L
N i p i qɵ i
V ( p st ) = 2 ∑ N 2
ni − 1 N i
=∑ 2
i =1 N ni − 1
=∑ =
N ni − 1
i
N i =1 i =1
19 79
2 V ( p st ) = 0, 0901 ( 9, 01% )
c. Aunque en el conjunto de la población hay más elementos que proceden de A (60%)
que de B (40%), la muestra global no representa adecuadamente este hecho,
predominando los elementos de B (80) frente a los de A (20), esto ocasiona que en el
14. (Ejercicio 4, relación tema 3) Una cadena de restaurantes tiene 100 establecimientos en
Madrid, 70 en Barcelona y 30 en Sevilla. La dirección está considerando añadir un nuevo
producto en el menú. Para contrastar la posible demanda de este producto, lo introdujo en
el menú de muestras aleatorias de 10 restaurantes de Madrid, 5 de Barcelona y 5 de
Sevilla. Usando los índice 1, 2 y 3 para designar Madrid, Barcelona y Sevilla,
respectivamente, las medias y las desviaciones típicas muestrales del número de pedidos
de este producto recibidos por restaurante en las tres ciudades durante una semana fueron:
y1 = 21, 2 S1 = 12
y2 = 13, 3 S 2 = 11
y3 = 26,1 S3 = 9
a. Estimar el número medio de pedidos semanales por restaurante para los
restaurantes de la cadena. Dar un límite del error de estimación.
61
b. Determinar el tamaño muestral y la asignación para repetir el estudio anterior
cometiendo un error inferior a 3 pedidos.
SOLUCIÓN:
L
1 3834
a. y st =
N
∑N y
i =1
i i =
200
= 19,17 pedidos / semana
1 L
Si2 N i − ni
V ( y st ) =
N2
∑N
i =1
i
2
ni N i
= 6, 2965 2 V ( y st ) = 5, 02 pedidos / semana
b.
N jσ j
ωj =
Ni σi σ 2
N iσ i N iσ 2 L
ni = 43, 52ωi
i i
∑Nσ
i =1
i i
B2 9
(∑ N σ )
L
i i
D= = = 2, 25 n= i =1
L
= 43,52
4 4
N D + ∑ N iσ
2
i
2
i =1
62
4. Muestreo con información auxiliar.
4.1 Introducción.
4.2 Estimación de razón.
4.2.1 Estimación de la media y total poblacionales.
4.2.2 Determinación del tamaño muestral.
4.3 Estimación de regresión.
4.3.1 Estimación de la media y total poblacionales.
4.3.2 Determinación del tamaño muestral.
4.4 Estimación de diferencia.
4.4.1 Estimación de la media y total poblacionales.
4.4.2 Determinación del tamaño muestral.
4.1 Introducción.
Si entre dos variables existe una fuerte relación es posible utilizar la información auxiliar que
de una de las variables se tenga, como puede ser la media o el total poblacional, para estimar
la media o el total de la otra variable. Esta circunstancia es importante cuando se pretende
estimar el total sin conocer el número de elementos de la población y sí el valor total de la
variable que proporciona la información auxiliar
Denotemos por
Y → Variable bajo estudio
X → Variable que proporciona la información auxiliar
Y supongamos que tenemos una muestra constituida por n pares:
(x1 , y1 ),..., ( x n , y n )
A través de los datos muestrales se puede estimar la relación existente entre ambas variables.
Distintos diseños de muestreo pueden utilizarse con la estimación con información auxiliar.
Aquí suponemos que el muestreo que se emplea es el aleatorio simple
Ejemplo 4.1. Ya que existe una fuerte relación entre renta y ahorro, se puede estimar el valor
total de los ahorros de los empleados de una empresa si se conoce el valor total de las rentas
de dichos empleados. Por ejemplo, si se estima que, por termino medio, el 10% de la renta se
dedica al ahorro y si se conoce la renta total, el ahorro total se estima igual a la décima parte
del total de la renta. Observemos que esto se puede llevar a cabo sin necesidad de conocer el
número de empleados de la empresa.
63
• Estimadores de regresión ( y = a + bx )
• Estimadores de diferencia ( y = a + x )
Cualquiera de estos estimadores sólo se debe utilizar si entre las dos variables existe una
1
fuerte relación lineal positiva ( rxy > ).
2
τ x = Nµ x , obtenemos
µY
R=
µX
De estas definiciones se deduce que
τ y = Rτ x
µ y = Rµ x
Por tanto, si se conocen los valores de la media y el total de la variable X , entonces para
estimar la media y el total de Y sólo hay que estimar el valor de R (que notaremos como
R = r ):
τˆy = rτ x
µˆ y = r µ x
Puesto que la razón R es el cociente entre las medias poblacionales, tomando una muestra
aleatoria simple: ( y1 , x1 ),..., ( y n , x n ) , podemos estimar R tomando el cociente entre las
medias muestrales:
1 n n
y n∑ ∑y
yi i
• ESTIMADOR DE LA RAZÓN: r= = i =1
= i =1
x 1 n n
∑ xi
n i =1
∑x
i =1
i
1 S2 N − n 1 n
• VARIANZA ESTIMADA DE r : Vˆ (r ) = 2 r , S
2
= ∑ ( yi − rxi )2
µx n N n − 1 i =1
r
64
4.2.1 Estimación de la media y el total poblacionales
Hemos de suponer que entre X e Y existe una alta correlación lineal positiva y que el
modelo lineal, donde X es la variable explicativa e Y la explicada, pasa por el origen,
( y = bx, en este contexto se nota b = r dado su significado )
• ESTIMADOR DE LA MEDIA: µˆ y = rµ x
S r2 N − n
• VARIANZA ESTIMADA DE µ̂ y : V (µˆ y ) = µ x V (r ) =
ˆ 2 ˆ
n N
τ x2 S r2 N − n
• VARIANZA ESTIMADA DE τˆ y : V (τ y ) = τ x V (r ) = 2
ˆ ˆ 2 ˆ
µx n N
verdadero valor de µ x .
xi yi xi2 yi2 xi yi
3,7 12 13,69 144 44,4
4,3 14 18,49 196 60,2
4,1 11 16,81 121 45,1
5 15 25 225 75
5,5 16 30,25 256 88
3,8 12 14,44 144 45,6
8 24 64 576 192
5,1 15 26,01 225 76,5
5,7 18 32,49 324 102,6
6 20 36 400 120
3 8 9 64 24
7 20 49 400 140
5,4 16 29,16 256 86,4
4,4 14 19,36 196 61,6
5,5 18 30,25 324 99
66
5 15 25 225 75
5,9 18 34,81 324 106,2
5,6 17 31,36 289 95,2
5 15 25 225 75
7,2 22 51,84 484 158,4
TOTALES 105,2 320 581,96 5398 1770,2
∑ xi = 105, 2
i =1
∑ yi = 320
i =1
∑ xi2 = 581, 96
i =1
∑ yi2 = 5398
i =1
∑x y
i =1
i i = 1770, 2
1 n 105, 2 1 n
( ) 1 n 2 581,96
2
∑ ∑ xi − x ∑
2
x= xi = = 5, 26 sx2 = = xi − x = − 5, 26 2 = 1, 4304
n i =1 20 n i =1 n i =1 20
1 n 320 1 n
( ) 1 n 2 5398
2
∑ ∑ yi − y ∑
2
y= yi = = 16 s y2 = = yi − y = − 16 2 = 13,9
n i =1 20 n i =1 n i =1 20
sxy =
1 n
(
∑ xi − x
n i =1
)( )
yi − y =
1 n
∑
n i =1
xi yi − x y =
1770, 2
20
− ( 5, 26 × 16 ) = 4, 35
típicas ( S x , S y ) .
Los anteriores cálculos que se han realizado a mano o con ayuda de una calculadora básica se
simplifican notablemente si utilizamos una calculadora científica de uso común. Estas
calculadoras nos proporcionan los valores de un grupo de funciones estadísticas
∑x 2
∑x x σ n = sx σ n − 1 = S x de forma inmediata.
s 4,35
La relación entre las variables es alta rxy = xy = = 0,9756 . Esto junto con la
sx s y 1,196 × 3, 728
información auxiliar que disponemos de la variable X justifica el uso de estimadores de razón.
Por otra parte, dado el contexto, es lógico que la relación pase por el origen (a 0 ha de
superficie le corresponde una producción de 0 tm).
67
20
∑y i
320
r= i =1
20
= = 3, 042 tm/ha
105, 2
∑x
i =1
i
τ 3840
µ = x= = 5,12 ha / socio
x N 750
µˆ y = r µ x = 3, 042 × 5,12 = 15,57 tm/socio
1 20 1 20 2 2 20 2 20
Sr = ∑ ( i i ) n − 1 ∑
− = + ∑ − ∑ =0, 706
2 2
y rx y r x 2 r xi yi
n − 1 i =1
i i
i =1 i =1 i =1
S2 N − n
Vˆ ( µˆ y ) = r = 0, 0344 ⇒ Bµ = 2 Vˆ ( µˆ y ) = 0,37 tm/socio
n N
τ x2 Sr2 N − n 2 Sr N − n
2
V (τ y ) = 2
ˆ ˆ =N = 19.326, 75 ⇒ Bτ = 2 Vˆ (τˆy ) = 278, 04 tm
µ x n N
n N
o Bτ = 750 × Bµ = 750 × 0,37 = 277,5 tm (no coinciden los dos procedimientos por los errores
de redondeo en el valor de Bµ ).
Bµ = 2 0, 712 = 1, 69 tm / socio
320
τˆ = Ny = 750 = 12.000 tm
20
Observemos que el límite del error de estimación es mucho mayor que el cometido utilizando
estimadores de razón.
68
donde para estimar:
B 2 µ x2
• la razón: D=
4
B2
• la media: D=
4
B2
• el total: D=
4N 2
Comentarios:
• σ r2 se estima utilizando una muestra previa (tamaño n' ): σˆ r2 = S r2 .
• Si µ x es desconcocido, µˆ x2 = x 2
Nσ r2 Nσ r2 750 × 0, 706
TOTAL: n = = = = 37, 7 ≅ 38 socios
B2 B 2
2002
σ r2 + N σr +
2
0, 706 +
4N 2 4N 4 × 750
Necesitamos al menos 43 socios para cumplir con ambos niveles de error.
69
n
sxy S xy ∑ ( y − y )( x − x ) i i
bˆ = 2 = 2 = i =1
n
∑(x − x )
sx Sx 2
i
i =1
aˆ = y − bx
ˆ
donde
1 n 1 n
S = ∑ ( xi − x ) s = ∑ ( xi − x ) ;
2 2 2 2
n − 1 i =1
x x
n i =1
1 n 1 n 1 n
S xy = ∑ ( xi − x )( yi − y )
n − 1 i =1
sxy = ∑ ( xi − x )( yi − y ) = ∑ xi yi − x y
n i =1 n i =1
S2 N −n
• VARIANZA ESTIMADA DE µ̂ yL : Vˆ (µˆ yL ) = L
n N
( ( )) n 2 sxy
2
s y (1 − rxy2 )
1 n 2
n 2
S L2 = ∑ yi − y + bˆ ( xi − x )
n − 2 i =1
= s y − 2
n−2 sx
=
n − 2
Comentario. En este caso para estimar el total es necesario conocer el tamaño de la población
N. No se puede estimar como τˆ yL = aˆ + bˆτ x ya que la recta de regresión no pasa por el punto
(τ x ,τ y ) .
(
µˆ yL = y + bˆ µ x − x )
sxy 27, 7284
↓ bˆ = 2 = = 10, 341
sx 2, 6814
µˆ yL = 138,314€ τˆyL = N µˆ yL = 138.314€
n −1 2 S2 N − n
S L2 = S y (1 − rxy2 ) = 141, 6 Vˆ ( µˆ yL ) = L = 7, 73
n−2 n N
71
Nσ L2
n= 2
σ L + ND
donde para estimar:
B2
• la media: D =
4
B2
• el total: D=
4N 2
σ L2 se estima utilizando una muestra previa (tamaño n' ): σˆ L2 = S L2
(y =a+x ó y = y + ( x − x) a = y − x = d )
Comúnmente se emplea en procedimientos de auditoría.
S2 N −n
• VARIANZA ESTIMADA DE µ̂ yD : Vˆ (µˆ yD ) = D
n N
S D2 =
1 n
∑
n − 1 i =1
( y i − (x i + d ))2
=
1 n
∑
n − 1 i =1
(d i − d ) , donde d i = y i − xi , por tanto S D2 es la
2
cuasivarianza de los d i .
72
• VARIANZA ESTIMADA DE τˆYD : Vˆ (τˆ yD ) = N 2Vˆ (µˆ yD )
La relación entre las variables es muy fuerte: rxy = 0,99958 rxy2 = 0,99916 .
V(
y ˆ µˆ ) = 75,20€
Bµ = 2 V( Bτ = 200 × Bµ =15.040,97€
n N
73
ESTIMADORES DE RAZÓN
y
r= = 0,879 τ x = 200µ x = 100.000 τˆy = rτ x = 87.900€ µˆ y = r µ x = 439, 5€
x
1 n 1 n 2 2 n 2 n
Sr = ( − )
∑ i i n − 1 ∑ = + ∑ − ∑ = 227, 717
2 2
y rx y r x 2 r xi yi
n − 1 i =1
i i
i =1 i =1 i =1
S2 N − n
Vˆ ( µˆ y ) = r = 21, 63 ⇒ Bµ = 9,3€
n N
Bτ = N × Bµ =1.860€
ESTIMADORES DE REGRESIÓN
(
µˆ yL = y + bˆ µ x − x )
sxy 13.396, 5
↓ bˆ = 2 = = 0,99907
sx 13.409
µˆ yL = 437,515€ τˆyL = N µˆ yL = 87.503€
n −1 2
S L2 = S y (1 − rxy2 ) = 14, 05
n−2
S2 N − n
Vˆ ( µˆ yL ) = L = 1,33 ⇒ Bµ = 2,3104€ Bτ = NBµ = 462, 09€
n N
ESTIMADORES DE DIFERENCIA
µˆ yD = µ x + d
↓ d = −62,5
µˆ yD = 437,5€ τˆyD = N µˆ yD = 87.500€
S =
2
D
1 n
∑ di − d
n − 1 i =1
( ) = 12, 5
S2 N − n
Vˆ ( µˆ yD ) = D = 1,1875 Bµ = 2 Vˆ ( µˆ yD ) = 2,179 Bτ = NBµ = 435,8899
n N
74
donde para estimar:
B2
• la media: D =
4
B2
• el total: D=
4N 2
σ D2 se estima utilizando una muestra previa (tamaño n' ): σˆ D2 = S D2
EJERCICIOS RESUELTOS
1. (ejercicio 9, relación tema 4) En una población de 500 hogares, para la que es conocido
que el gasto total general durante un año es de 15.000.000 €, se quiere estimar el gasto
total en alimentación durante un año, para lo que se obtiene una muestra aleatoria simple
de 4 hogares que proporciona los siguientes valores anuales en €:
Gasto en alimentación 12.500 15.000 10.000 17.500
Gasto general 24.000 31.000 20.000 36.000
Antes de calcular el estimador, ¿cree que es útil utilizar esta información auxiliar?,
justifíquese.
Estime con un estimador de razón el total de gasto en alimentación mediante un intervalo
de confianza.
SOLUCIÓN (trabajaremos en cientos de euros)
xi yi xi2 yi2 xi yi
240 125 57.600 15.625 30.000
310 150 96.100 22.500 46.500
200 100 40.000 10.000 20.000
360 175 129.600 30.625 63.000
1110 550 323.300 78.750 159.500
75
n
∑y i
550
N = 500 n = 4 r = i =1
n
= = 0, 4955 τɵ y = rτ x = 0, 4955 × 150.000 = 74.325 cientos de €
1110
∑x
i =1
i
τɵ y = 7.432.500 €
2
1 n 1 n 2 2 n 2 n
62, 2
S =2
∑ ( yi − rxi ) = ∑ y + r ∑ x − 2 r ∑ xi yi = = 20, 73
n − 1 i =1 n − 1 i =1
r i i
i =1 i =1 3
2
S
V (τɵ y ) = N ( N − n) r = 1.285, 4667 2 V (τɵ y ) = 2.267,568
n
τ y ∈ ( 72.057, 432 ; 76.592,568) en cientos de €
Para expresarlo en € hay que multiplicarlo por cien.
∑x i
x 2
N = 275 n = 25 r = i =1
n
= = 3,5 pers. / hab. µ y2 ≅ y = 2, 62 = 6, 76
y
∑y
i =1
i
2
1 n 1 n 2 2 n 2 n
S r2 = ∑ ( xi − ryi ) = ∑ x + r ∑ y − 2 r ∑ xi yi = 27,34375
n − 1 i =1 n − 1 i =1
i i
i =1 i =1
1 ( N − n) S r2
V (r ) = 2 = 0,1471 2 V (r ) = 0, 767
µy N n
3. (Ejercicio 12, relación tema 4) Se desea estimar el agua utilizada en la presente campaña
por una comunidad de riego constituida por 250 parcelas. Se seleccionan al azar 10
parcelas cuyo tamaño y metros cúbicos utilizados en riego aparecen en la siguiente tabla
m3 600 1800 750 900 1100 1400 950 700 1000 720
Hectáreas 50 150 60 70 100 120 80 60 90 60
76
Estime la media de m3 /hectárea que utiliza la comunidad de regantes y la cota del error de
dicha estimación.
SOLUCIÓN:
y = consumo de m3 litros de agua, x = tamaño de la parcela en hectáreas
X Y x2 y2 xy
50 600 2500 360000 30000
150 1800 22500 3240000 270000
60 750 3600 562500 45000
70 900 4900 810000 63000
100 1100 10000 1210000 110000
120 1400 14400 1960000 168000
80 950 6400 902500 76000
60 700 3600 490000 42000
90 1000 8100 1000000 90000
60 720 3600 518400 43200
840 9920 79600 11053400 937200
∑y i
9920
r= i =1
n
= = 11'81 m3 / hectarea
840
∑x
i =1
i
1 n 1 n 2 2 n 2 n
S r2 = ∑ ( yi − rxi ) = ∑ + ∑ − ∑ xi yi =
2
y r x 2 r
n − 1 i =1 n − 1 i =1
i i
i =1 i =1
1
= (11053400 + 11102297 '56 − 22136664 ) = 2114 '84
9
840
µx = x =
= 84
10
1 N − n S r2 1 240 2114 '84
V (r ) = 2 = 2 = 0 '02877
µ x N n 84 250 10
2 V (r ) = 0 '3392
4. (Ejercicio 1, relación del tema 4) Se desea estimar el consumo mensual de una ciudad. Se
sabe que los ingresos en dicha ciudad, vía declaración de la renta, ascienden a 1.502.530
euros mensuales. Se realiza una encuesta entre 12 hogares elegidos al azar y los resultados
de renta y consumo se recogen en esta tabla.
Renta Consumo
1.702,44 1.204
1.339,56 1.000
981,06 800
2.537,04 1.800
1.519,85 1.200
3.080,19 2.600
77
1.502,53 1.080
1.702,87 1.240
1.402,36 1.000
1.803,04 1.400
2.053,46 1.484
3.005,06 2.000
Estime el consumo total mensual para todos los hogares de la ciudad mediante el
estimador de razón. Obtenga el límite para el error de estimación.
SOLUCIÓN:
Denotemos por
Y = " consumo mensual"
X = "ingresos mensuales"
De la información muestral obtenemos
n = 12
12
∑y i =1
i = 16.808 euros
12
∑x i =1
i = 22.629,46 euros
s xy
Podemos comprobar que el coeficiente de correlación lineal es alto ( rxy = = 0,9677 ).
sx s y
Esto junto con la información auxiliar nos permite utilizar muestreo con información
auxiliar, en concreto utilizaremos estimadores de razón.
12
∑ yi
r = i =1
12
= 0, 7427
∑ i =1
xi
τˆ y = r τ x = 1 .1 1 6 .0 0 2 , 0 7 €
τ2 S N −n
2
Vˆ (τˆY ) = x2 r
µ x n N
12
↓ No conocemos N , pero en la ciudad hay muchos hogares, observando ∑ x < ( 5% τ )
i =1
i x
N −n
↓ estimamos que n < ( 5% N ) ⇒ ≅1
N
↓ µ x = x = 1.885, 79€
1 12 1 12 2 2 12 2 12
↓ Sr = ∑ ( i i ) n − 1 ∑
− = + ∑ − ∑ = 16.479, 7
2 2
y rx y r x 2 r xi yi
n − 1 i =1
i i
i =1 i =1 i =1
Vˆ (τˆY ) = 871.825.002, 67 ⇒ B = 2 Vˆ (τˆY ) = 59.053,37€
78
5 (Ejercicio 10, relación tema 4) Las diferencias entre ingresos y gastos, en 5 de las 250
oficinas que tiene abiertas una agencia de seguros, en el presente mes, han sido (en euros)
570 721 650 650 569
Este mes el gasto medio para el conjunto de todas las oficinas ha sido 12764 euros, estime
el total de ingresos y el límite para el error de estimación.
SOLUCIÓN:
N=250, n=5, µ x = 12764 , X=gastos, Y=ingresos
µ yD = µ x + d = 13396 € τɵ yD = N µ yD = 3349000 €
N − n S D2 S2
V (τɵ yD ) = N 2 = N ( N − n ) D = 50169875 € 2 2 V (τɵ yD ) = 14166,14 €
N n n
∑x y
i =1
i i = 4719700
79
n
∑y i
y
r= i =1
n
= = 1, 047619 τɵ y = rτ x = 134304, 76 €
x
∑x
i =1
i
1 5 1 5 2 2 5 2 5
Sr = ∑ ( yi − rxi ) = ∑ + ∑ − ∑ = 1640, 25
2 2
y r x 2 r xi yi
n − 1 i =1 n − 1 i =1
i i
i =1 i =1
2
S
V (τɵ y ) = N ( N − n ) r = 4761314, 071 2 V (τɵ y ) = 4364, 09
n
τ y ∈ (129940, 67 , 138668,85 )
7. (Como ejercicio 7, relación del tema 4) Una agencia de publicidad está interesada en el
efecto de una nueva campaña de promoción regional sobre las ventas totales de un
producto en particular. Una muestra aleatoria simple de 5 tiendas es seleccionada de 452
tiendas regionales en las cuales se vende el producto. Los datos de las ventas trimestrales
son obtenidos para el periodo actual de tres meses y para el periodo de tres meses previo a
la nueva campaña.
Tienda Ventas antes de Ventas
la campaña actuales
1 208 239
2 400 428
3 440 472
4 259 276
5 351 363
Usando los anteriores datos para estimar los parámetros necesarios, determine el tamaño
de la muestra para estimar τˆY con un límite para el error de estimación de 2.000€,
cuando se utiliza el estimador de razón.
SOLUCIÓN:
N=452, n’=5, X=ventas antes, Y=ventas actuales
(con las funciones del modo SD de la calculadora ) :
5 5 xi yi
x = 331, 6 ∑ xi = 1658
i =1
∑ xi2 = 587146
i =1
49712
5 5
171200
y = 355, 6 ∑y
i =1
i = 1778 ∑y
i =1
2
i = 671034 207680
71484
127413
5
5 ∑x y i i = 627489
∑ yi y
i =1
r= i =1
5
= = 1, 072376
x
∑x
i =1
i
80
1 5 1 5 2 2 5 2 5
Sr = ∑ ( yi − rxi ) = ∑ yi + r ∑ xi − 2r ∑ xi yi = 109, 4775
2 2
n '− 1 i =1
n '− 1 i =1 i =1 i =1
B2 2
D= 2
= 4,8947 σ r = S r2 = 109, 4775
4N
Nσ r2
n= = 21,3 ≈ 22
ND + σ r2
81
5. Muestreo sistemático.
5.1 Selección de una muestra sistemática. Usos. Ventajas.
5.2 Estimación de la media, proporción y total poblacionales.
5.3 Comparación con el muestreo aleatorio simple: Poblaciones ordenadas, aleatorias
y periódicas.
5.4 Determinación del tamaño muestral.
N
2. no es entero. Veámoslo con un ejemplo.
n
N
Por ejemplo si N = 103 y n = 5 , entonces = 20,6 y tomamos k = 20 . Según el
n
punto inicial nos podemos encontrar con estas situaciones:
a. Si elegimos, por ejemplo, el 2º como punto inicial, obtendríamos:
2º, 22º, 42º, 62º, 82º, ...
82
Al dividir la población en 5 intervalos de 20 elementos, sobran 3. Si no hay
problema de coste podríamos elegir también el 102º y la muestra sería de
tamaño 6.
b. Si se elige, por ejemplo, la observación 18º como la inicial obtendríamos una
muestra de tamaño 5:
18º, 38º, 58º, 78º, 98º
83
Usos: Este tipo de muestreo es muy utilizado: en los planes de muestreo para el control de
calidad dentro del proceso de fabricación, los auditores cuando se enfrentan a largas listas de
apuntes para comprobar y los investigadores de mercados cuando se enfrentan a personas en
movimiento.
1 n
• ESTIMADOR DE LA MEDIA POBLACIONAL: µˆ = ysy = ∑ yi +( j −1) k
n j =1
S2 N −n
• VARIANZA ESTIMADA DE y sy : Vˆ ( y sy ) =
n N
Comentarios.
N −n
- Si se desconoce el tamaño poblacional por su gran magnitud, entonces ≅ 1.
N
- Cuando N no es múltiplo exacto de n , el estimador es sesgado.
Como se puede observar la varianza estimada del estimador de la media es igual que en el
muestreo aleatorio simple (véase 5.3 Comparación con el muestreo aleatorio simple). Esto no
implica que las varianzas reales sean iguales:
σ2 N −n σ2
V (y) = y V ( y sy ) = [1 + (n − 1)ρ ]
n N −1 n
donde ρ = coeficiente de correlación entre los elementos de una muestra sistemática.
2 S N −n
( )
2
• VARIANZA ESTIMADA DE τˆ : V (τ ) = N V y sy = N
ˆ ˆ 2 ˆ
n N
2 S N−n
2
V (τˆ ) = N
ˆ
n N
↓ N = 180
( 4868 )
2
1.321.450 −
n
↓ S2 = = 289, 79
n −1
V (τˆ ) = 469.461,18
ˆ
Bτ = 1.370,34
Como en el muestreo aleatorio simple, las propiedades del estimador de la proporción son
análogas a las propiedades de la media muestral:
1 n
• ESTIMADOR DE LA PROPORCIÓN POBLACIONAL: pˆ sy = ∑ yi+( j −1) k
n j =1
, yi = 0, 1
pˆ sy qˆ sy N − n
• VARIANZA ESTIMADA DE p̂ sy : Vˆ ( pˆ sy ) =
n −1 N
Notemos, de nuevo, que las varianzas estimadas son iguales a las del muestreo aleatorio
simple. Esto no quiere decir que las varianzas reales lo sean.
85
conductores que portan su licencia. Establezca un límite para el error de estimación. Suponga
que 2.800 autos pasan por el puesto de verificación durante el periodo de muestreo.
Automóvil Respuesta
1 1
8 1
15 0
⋮ ⋮
2794 1
400
∑ y i = 324
i =1
Solución
324
pˆ sy = y sy = = 0,81
400
pˆ sy qˆ sy N − n 0,81(1 − 0,81) 2.800 − 400
Vˆ ( pˆ sy ) = = = 0,000330612 ⇒ B = 0,0364
n −1 N 400 − 1 2.800
86
V ( y sy ) ≤ V ( y )
Por ejemplo, en una lista de cuentas por cobrar que estén ordenadas de mayor a menor
cantidad, las estimaciones de una muestra sistemática tendrían en general una varianza
menor que las de una muestra aleatoria simple (es posible que ésta última contenga
solo cantidades grandes o cantidades pequeñas).
Al utilizar las varianzas estimadas de los estimadores del m.a.s. en el m. sistemático
conseguimos una estimación conservadora del error (mayor que el error real que
cometemos en el m. sistemático).
B. Población aleatoria (ρ ≅ 0)
Se dice que una población es aleatoria cuando sus elementos están ordenados al azar.
En este caso es indiferente el uso del muestreo aleatorio simple y el muestreo
sistemático ya que
V ( y sy ) ≅ V ( y ) .
Por ejemplo, en una lista de estudiantes por orden alfabético, la estimación de sus
calificaciones sería similar con ambos muestreos ya que las calificaciones no dependen
del apellido del estudiante.
C. Población periódica (ρ ≥ 0)
Una población es periódica cuando los valores de la variable objeto de estudio tienen
una variación cíclica. En este caso es preferible el muestreo aleatorio simple dado que
V ( y sy ) > V ( y ) .
Por ejemplo:
a. Supongamos que tenemos una lista en la que los nombres de mujeres y
hombres se alternan. Una muestra sistemática con k par proporcionaría solo
una lista de mujeres o de hombres.
b. Ventas diarias de un supermercado con k = 7
Para evitar este problema, el investigador puede cambiar varias veces el punto de
inicio aleatorio. Esto tiene el efecto de mezclar los elementos de la población y
comportarse como una población aleatoria, en cuyo caso el uso de las expresiones del
m.a.s. en el m. sistemático estaría justificado.
87
5.4 Determinación del tamaño muestral
El tamaño muestral requerido para estimar la media poblacional con un límite B para el error
de estimación se obtiene despejando el tamaño muestral de la ecuación:
2 V ( ysy ) = B
Dado que el valor real de la varianza del estimador no es conocido, usaremos las expresiones
del muestreo aleatorio simple. Lo anterior conduce a obtener muestras más grandes de las
necesarias para poblaciones ordenadas y muestras más pequeñas para poblaciones periódicas
(si no se mezclaran los elementos cambiando el punto de inicio). En poblaciones aleatorias no
tendremos problemas.
Tamaño muestral requerido para estimar µ y τ con un límite B para el error de estimación
B2
4 para estimar la media
Nσ 2
n= con D =
( N − 1) D + σ 2 2
B para estimar el total
4N 2
Tamaño muestral requerido para estimar p y τ con un límite B para el error de estimación
B2
para estimar p
4
Npq
n= con D =
(N − 1)D + pq 2
B para estimar el total
4N 2
p = 0,81 qɵ = 1 − p = 0,19
Npq 5.000 × 0,81× (1 − 0,81)
n= = = 1.176,97 ≅ 1.177 automóviles
B 2
0, 02 2
( N − 1)
4
+ pq (5.000 − 1) + ( 0,81× (1 − 0,81) )
4
N
k≤ = 4, 25
n
88
5000 5000
Si tomáramos k=5 ⇒ n = = 1000 . Tomando k=4 ⇒ n = = 1250 ≥ 1177 .
5 4
EJERCICIOS RESUELTOS
1. (Ejercicio 7, relación tema 5) La gerencia de una compañía privada con 2.000 empleados
está interesada en estimar la proporción de empleados que favorecen una nueva política de
inversión. Una muestra sistemática de 1 en 10 es obtenida de los empleados que salen del
edificio al final de un día de trabajo (las respuestas a favor se han representado como 1)
Empleado Respuesta
muestreado
3 1
13 0
23 1
⋮ ⋮
1993 1
200
∑y
i =1
i = 110
2. (Ejercicio 8, relación tema 5) Un auditor se enfrenta a una larga lista de 1.000 cuentas por
cobrar de una empresa. El valor de cada una de estas cuentas no suele superar los 21.000
€. El auditor quiere estimar el valor total de las deudas por cobrar con un error inferior a
1.000.000 € con una confianza del 95%. Para ello decide tomar una muestra sistemática de
1 en k . Determine el valor de k.
SOLUCIÓN
21.000 2 1.000.000 2
N = 1.000 R = 21.000 σ 2 ≅ = 27.562.500 D = = 250.000
42 4 × 1.0002
Nσ 2 N
n= = 99,39 ≈ 100 k = = 10
( N − 1) D + σ 2
n
89
3. (Ejercicio 5 (a), relación tema 5) La tabla anexa muestra el número de nacimientos y la
tasa de natalidad por cada 1000 individuos para Estados Unidos durante seis años
seleccionados sistemáticamente.
Año Nac.Masculinos Nac.Femeninos Total de Nac. Natalidad
1955 2.073.719 1.973.576 4.047.295 26,0
1960 2.179.708 2.078.142 4.257.850 23,7
1965 1.927.054 1.833.304 3.760.358 19,4
1970 1.915.378 1.816.008 3.731.386 18,4
1975 1.613.135 1.531.063 3.144.198 14,6
1980 1.852.616 1.759.642 3.612.258 15,9
Estime el número medio de varones nacidos por año para el periodo 1955-1980, y
establezca un límite para el error de estimación.
SOLUCIÓN
1 n 1
µˆ = ysy = ∑ yi = 11.561.610 = 1.926.935
n i =1 6
S2 N −n
Vˆ ( y sy ) =
n N
↓ N = 26 años
↓ S 2 = 37.913.412.871,20
Vˆ ( y sy ) = 4.860.693.957,85
B = 139.437,35
4. (Como ejercicio 1, relación tema 5) La sección de control de calidad de una empresa usa el
muestreo sistemático para estimar la cantidad media de llenado en latas de 33cl que salen
de una línea de producción. Los datos de la tabla adjunta representan una muestra
sistemática 1 en 300 de una producción diaria de 1800 latas.
Cantidad de llenado en cl
33 32,5 33,5 33 32 31
Determine el tamaño de la muestra y k para estimar el contenido medio de las latas con un
error de estimación inferior a 0,42 cl, considerando la muestra anterior como una muestra
previa para estimar los parámetros necesarios.
SOLUCIÓN:
N=1800, n’=6,
B2 Nσ 2 1800
D= = 0, 0441 n= = 17,97 ≈ 18 k= = 100
4 ( N − 1) D + σ 2 18
90
5. (Ejercicio 9, relación tema 5) Los funcionarios de cierta sociedad profesional desean
determinar la proporción de miembros que apoyan varias enmiendas propuestas en las
prácticas de arbitraje. Los funcionarios tomaron una muestra sistemática de 1 en 10, a
partir de una lista en orden alfabético de los 650 miembros registrados, obteniendo que 47
estaban a favor de los cambios propuestos. Se quiere repetir el estudio anterior con un
error de estimación inferior al 5%. Considerando la muestra anterior como una muestra
previa para estimar los parámetros necesarios, ¿qué tipo de muestra sistemática deberá
obtenerse? (indique n y k).
SOLUCIÓN:
47
N=650, n’=65, p = = 0, 7231 qɵ = 1 − 0, 7231 = 0, 2769
65
B2
B = 0, 05 D= = 0, 000625
4
Npq 650
n= = 214,8 ≈ 215 k≤ = 3, 02 k =3
( N − 1) D + pq 215
91
6. Muestreo por conglomerados.
6.1 Necesidad y ventajas del muestreo por conglomerados.
6.2 Formación de los conglomerados. Conglomerados y estratos.
6.3 Estimación de la media, proporción y total poblacionales.
6.4 Determinación del tamaño muestral.
n = conglomerados en la muestra.
92
mi = elementos en el conglomerado i
N
M = ∑ mi = elementos en la población (con frecuencia es desconocido)
i =1
n
m = ∑ mi = elementos en la muestra
i =1
1 N
M= ∑ mi = tamaño medio de los conglomerados de la población (con frecuencia es
N i =1
desconocido).
1 n
m = ∑ mi = tamaño medio de los conglomerados de la muestra (se
n i =1
1 n ∑y i
µ = y = ∑ yi = i =1
n
m i =1
∑m
i =1
i
Notas:
1 N − n S c2
• La expresión de V ( y ) = 2
no se suele simplificar pues como ocurre en el
M N n
ejercicio 4, relación del tema 6, a veces N no se conoce y en otras ocasiones como en
93
• Si la variable que estamos estudiando es dicotómica, hablaremos de la proporción
∑a i
p=y= i =1
n
∑m
i =1
i
τɵ = M y
y la varianza estimada del mismo
2
S
V (τɵ ) = M 2 V ( y ) = N ( N − n) c
n
(sea cual sea el valor de M no afecta a la varianza ni al error del estimador, aunque sí al valor
del estimador del total)
1 n
yt = ∑ yi , es el promedio de los totales de los conglomerados de la muestra y por tanto un
n i =1
estimador insesgado del promedio de los N totales de los conglomerados de la población. Por
el mismo razonamiento empleado en el muestreo aleatorio simple, N y t es un estimador
insesgado de la suma de los totales de todos los conglomerados, o equivalentemente del total
poblacional τ .
94
En resumen
τɵ t = N y t
2
S
V (τɵ t ) = N 2 V ( y t ) = N ( N − n) t
n
N − n St2 1 n
( )
2
donde V ( y t ) =
N n
, St2 = ∑ yi − y t
n − 1 i =1
Si existe una gran variación entre los tamaños de los conglomerados y además los tamaños
están altamente correlacionados con los totales de los conglomerados, la varianza de N y t es
Ejemplo 6.1 (como ejercicio 13, relación tema 6, pero con menos datos) En una ciudad se
quiere estimar la proporción de hogares interesados en contratar el sistema de televisión digital,
para lo cual se considera la ciudad dividida en 200 manzanas de viviendas. Se extrae una
muestra piloto de 5 manzanas y se interroga a cada familia acerca de si estaría interesada en
contratar la televisión digital. Los datos de la encuesta se encuentran en la tabla:
95
SOLUCIÓN
Aunque en un caso de variables dicotómicas como éste se suele usar en los textos la
notación ai en lugar de yi , utilizaremos esta última para unificar la notación a emplear en el
muestreo por conglomerados
mi yi mi2 yi2 mi yi
8 2 64 4 16
7 2 49 4 14
9 3 81 9 27
6 3 36 9 18
5 3 25 9 15
35 13 255 35 90
∑y i
13
a) p=y= i =1
n
= = 0,3714 p = 37,14%
35
∑m i =1
i
∑ ( y − ym ) = ∑ y
n 2 n n n
− 2 y ∑ yi mi + y ∑m
2
i i
2
i
2
i = 3,3222
i =1 i =1 i =1 i =1
n n n
∑ yi2 = 35
i =1
∑ mi2 = 255
i =1
∑ym
i =1
i i = 90
1 n
( ) 3, 3222
2
Sc2 = ∑ yi − ymi
n − 1 i =1
=
4
= 0,8306
1 n 35
m= ∑
n i =1
mi =
5
= 7 hogares / manzana
1 N − n S c2
V ( y) = 2
= 0, 003305 2 V ( y ) = 0,115 11,5%
m N n
1 n 13
b) yt = ∑
n i =1
yi = = 2, 6
5
τɵ t = N y t = 520
2
1 n
∑ (y − y )
n n
∑ ∑
2
y −
2
yi
N ( N − n) St2
i t i
n i =1
S =
2 i =1
= i =1 = 0, 3 V (τɵ t ) = = 2.340
n −1 n −1
t
n
c)
1500 1 N − n Sc2
τɵ = M y = 557,14 M= = 7,5 V ( y) = 2
= 0, 0028795
200 M N n
96
V (τɵ ) = M 2 V ( y ) = 6478,8 2 V (τɵ ) = 160,98 ( 396,16 , 718,12 )
Como puede observarse, el límite para el error de estimación es más pequeño en b) que en c),
debido a que los tamaños de los conglomerados no están altamente correlacionados con los
totales de los conglomerados en este ejemplo ( rmy2 = 0, 08 ). En otras palabras, los tamaños de
1 n
( )
2
donde σ c2 se estima mediante Sc2 = ∑ yi − ymi
n − 1 i =1
de una muestra previa, siendo
2
B2 M B2
D= para la estimación de la media y D = para la estimación del total.
4 4N 2
Habitualmente el tamaño promedio de los conglomerados de la población M no se conoce y
tiene que estimarse por el tamaño medio m de los conglomerados de una muestra previa.
B2 1 n
( )
2
D=
4N 2
y σ t
2
se estima mediante S t
2
= ∑ yi − y t
n − 1 i =1
de una muestra previa (o a partir
2 R2
de una estimación del rango de los valores de yi como σ t = ).
16
Ejemplo 6.2 Suponiendo que los datos del ejemplo 6.1 representan una muestra previa, cómo
debe tomarse una nueva muestra para estimar la proporción poblacional del apartado a) con un
límite para el error de estimación del 1%.
97
SOLUCIÓN
2
1 n 35 B2 M 0, 012 × 7 2
S = 0,8306
2
c M ≅ m = ∑ mi = =7 D= = = 0, 001225
n i =1 5 4 4
Nσ c2
n= = 154, 4 ≈ 155
ND + σ c2
EJERCICIOS RESUELTOS
1. (Ejercicio 6, relación tema 6) Con motivo del cuarto centenario del Quijote, el Ministerio
de Cultura desea estimar el número de libros comprados cada mes en una localidad. Se
selecciona una localidad con 6.200 hogares agrupados en 700 manzanas de viviendas. Se
tiene una encuesta piloto en la cual se seleccionó una muestra de 4 manzanas y se
entrevistaron a todas las familias, obteniéndose los siguientes resultados:
SOLUCIÓN
mi yi mi2 yi2 mi yi
10 13 100 169 130
8 9 64 81 72
11 15 121 225 165
7 8 49 64 56
36 45 334 539 423
n
∑y i
B2
M = 6.200 N = 700 y= i =1
n
= 1, 25 D = = 0, 01
4N 2
∑m
i =1
i
2
1 n
( ) 1 n 2
n n
∑ yi − ymi ∑ ∑ ∑
2
σ c2 ≅ Sc2 = = y + y m 2
− 2 y mi yi = 1,125
n − 1 i =1 n − 1 i =1
i i
i =1 i =1
Nσ c2
n= = 96,92 ≈ 97
ND + σ c2
98
2. (Ejercicio 2, relación tema 6 pero con menos datos) Una industria está considerando la
revisión de su política de jubilación y quiere estimar la proporción de empleados que
apoyan la nueva política. La industria consta de 57 plantas. Se selecciona una muestra
aleatoria simple de 5 plantas y se obtienen las opiniones de los empleados en estas plantas
a través de un cuestionario. Los resultados se presentan en esta tabla:
Planta Nº empleados Nº empleados que apoyan la nueva política
1 51 42
2 62 53
3 49 40
4 73 45
5 101 63
a. Estime la proporción de empleados en la industria que apoyan la nueva política de
jubilación y establezca un límite para el error de estimación.
b. La industria modificó su política de jubilación después de obtener los resultados de la
encuesta. Ahora se quiere estimar la proporción de empleados a favor de la política
modificada ¿Cuántas plantas deben ser muestreadas para tener un límite del 5% para el
error de estimación? Use los datos anteriores para aproximar los resultados de la nueva
encuesta.
SOLUCIÓN:
a) N = 57 n=5
mi yi mi2 yi2 mi yi
51 42 2601 1764 2142
62 53 3844 2809 3286
49 40 2401 1600 1960
73 45 5329 2025 3285
101 63 10201 3969 6363
336 243 24376 12167 17036
n
∑y i
243
p= i =1
n
= = 0, 7232 ⇒ p = 72,32%
336
∑m
i =1
i
1 n
( ) 1 n 2
2 n 2 n
Sc2 = ∑ yi − pmi
n − 1 i =1
= ∑
n − 1 i =1
yi − 2 p ∑
i =1
y m
i i + p ∑i =1
mi2 = 68, 7
2
2 336
2
M ≈m = = 4515,84
5
1 N − n Sc2
V ( p) = 2 = 0, 00278 2 V ( p) = 0,1054 ⇒ 10,54%
M N n
b)
2
B2 M 0, 052 × 4515,84 Nσ c2
D= = = 2,8224 σ ≈S
2 2
n= = 17, 06 ≈ 18
ND + σ c2
c c
4 4
99
3. (Ejercicio 7, relación tema 6) Un sociólogo quiere estimar el ingreso medio por persona en
cierta ciudad pequeña donde no existe una lista disponible de adultos residentes. Por esta
razón para el diseño de la encuesta utiliza muestreo por conglomerados. Se divide la
ciudad en bloques rectangulares y el sociólogo decide que cada bloque rectangular va a ser
considerado como un conglomerado. Los conglomerados son numerados del 1 al 415. El
investigador tiene tiempo y dinero suficientes para hacer un muestreo de 25
conglomerados y entrevistar a cada hogar dentro de cada uno. Se seleccionan
aleatoriamente 25 conglomerados y se realizan las entrevistas, obteniéndose estos datos:
Ingreso total por
Conglomerado (i) Nº de residentes (mi)
conglomerado en € (yi)
1 8 96000
2 12 121000
3 4 42000
4 5 65000
5 6 52000
6 6 40000
7 7 75000
8 5 65000
9 8 45000
10 3 50000
11 2 85000
12 6 43000
13 5 54000
14 10 49000
15 9 53000
16 3 50000
17 6 32000
18 5 22000
19 5 45000
20 4 37000
21 6 51000
22 8 30000
23 7 39000
24 3 47000
25 8 41000
151 residentes 1329000 €
a) Estime el ingreso medio por persona en la ciudad y establezca un límite para el error de
estimación.
b) Estime el ingreso total de todos los residentes de la ciudad y el límite para el error de
estimación, suponiendo que M es desconocido.
c) Suponiendo que existen 2.500 residentes en la ciudad, estime el ingreso total de todos los
residentes de la ciudad mediante un intervalo de confianza.
100
NOTA: Repetir este ejemplo con todos los mi iguales (por ejemplo, mi = 6 ∀i ,
supongamos conocido M = 6 × 415 = 2.490 ) y estime el total por los dos métodos
( )
estudiados τɵ = M y τɵ t = N y t . Observe como coinciden las dos estimaciones así como
d) Tomando los anteriores datos como una muestra previa, cómo debe tomarse la muestra en
una encuesta futura para estimar el ingreso promedio por persona con un límite para el
error de estimación de 500€.
SOLUCIÓN:
a) (este ejemplo no se puede resolver con una calculadora de 10 dígitos de forma exacta
por la dificultad de trabajar con cantidades muy grandes)
∑y i
1.329.000
µ=y= i =1
n
= = 8.801,32 € / residente
151
∑m
i =1
i
∑ ( y − ym ) = ∑ y
n 2 n n n
− 2 y ∑ yi mi + y ∑m
2 2 2
i i i i
i =1 i =1 i =1 i =1
∑y
i =1
2
i = 96.000 2 + ... = 82.039.000.000
∑m
i =1
2
i = 82 + ... = 1.047
1 n
( ) 15.227.502.247
2
Sc2 = ∑ yi − ymi
n − 1 i =1
=
24
= 634.501.213, 40
1 n 151
m= ∑
n i =1
mi =
25
= 6, 04 residente / bloque
1 N − n Sc2
V ( y) = 2
= 653.785,19 2 V ( y ) = 1.617,14€
M N n
b)
1 n 1.329.000
yt = ∑
n i =1
yi =
25
= 53160 € / bloque τɵ t = N y t = 22.061.400 €
101
2
∑ (y − y )
n 2 n
1 n 1
i t = ∑ y − ∑ yi = 82.039.000.000 − (1.329.000) 2 = 11.389.360.000
2
i
i =1 i =1 n i =1 25
(y − y )
n 2
N ( N − n) ∑ i t
V (τɵ t ) = i =1
= 3.072.279.860.000 2 V (τɵ t ) = 3.505.584, 04 €
n n −1
c)
2500
N = 415 n = 25 M= = 6, 0241 τɵ = M y = 22.003.311, 26€
415
1 N − n S c2
Sc2 = 634.501.213, 40 V ( y) = 2
= 657.240,9482
M N n
(17.949.791,34€ , 26.056.831,18€ )
Como puede observarse el límite para el error de estimación es más pequeño en b) que en
c) debido a que los tamaños de los conglomerados no están altamente correlacionados con
los totales de los conglomerados en este ejemplo ( rmy2 = 0, 0919 ). En otras palabras, los
4. (Ejercicio 10, relación tema 6) Una empresa de trabajo temporal quiere investigar las
necesidades de empleo de las empresas de un pueblo. Para ello decide seleccionar una
muestra de 10 de las 85 inscritas en el registro mercantil. El número de bajas en el último
año, el número de empleados y la respuesta de cada empresa sobre si utilizaría los
servicios de la empresa de trabajo temporal fueron los siguientes:
Empresa Bajas Empleados Respuesta
1 1 7 Si
2 2 15 No
3 9 85 Si
4 0 3 No
5 2 12 No
6 0 8 No
7 1 21 Si
8 0 4 No
9 4 35 No
10 6 92 Si
102
(a) Estime el número de bajas en el último año en las empresas del pueblo. Dé el límite
del error de estimación.
(b) Estime la proporción de empresas que usarían los servicios ofertados. Dé el límite del
error de estimación.
SOLUCIÓN:
a) Se trata de un muestreo por conglomerados (cada empresa es un conglomerado) donde
no se conoce el número total de empleados para toda la población, por tanto para estimar
el total consideraremos un muestreo aleatorio simple tomando como elementos muestrales
las empresas.
(y − y )
2
yi
i t
1 2.25
2 0.25
9 42.25
0 6.25
2 0.25
0 6.25
1 2.25
0 6.25
4 2.25
6 12.25
25 80.5
25
yt = = 2.5 bajas / empresa τɵ t = 85 × 2.5 = 212.5 bajas
10
⌢
80.5 ⌢ 85 − 10 8.94 ɵ
St = = 8.94 ⇒ V ( y t ) = 10 = 0.7892157 ⇒ V (τ t ) = 85 V ( y t ) = 5702.08
2 2
9 85
Bτ = 2 5702.08 = 151.024 bajas
b)
4
p= = 0.40 (40%)
10
85 − 10 0.4 × 0.6
V ( p) = = 0.02353 B = 2 0.02353 = 0.3068 (30.68%)
85 10 − 1
5. (Como ejercicio 3, relación tema 6) Se diseña una encuesta económica para estimar la
cantidad media gastada en servicios por hogar de una ciudad formada por 3.600 hogares.
Se selecciona una muestra aleatoria de 3 barrios de la ciudad de un total de 60. Los
entrevistadores obtienen el gasto en servicios de cada hogar en los barrios seleccionados;
los gastos totales se muestran en esta tabla:
Barrio Nº hogares Cantidad total gastada en servicios (€)
1 55 2210
2 60 2390
3 63 2430
103
Estime la cantidad media de gastos en servicios por hogar en la ciudad y el límite para el
error de estimación.
SOLUCIÓN:
mi yi
121550
143400
153090
n
∑m y
i =1
i i = 418040
n n
3600
N = 60 n=3 M=
60
= 60 ∑ mi = 178
i =1
∑m
i =1
2
i = 10594
n n
∑y
i =1
i = 7030 ∑y
i =1
2
i = 16501100
n
∑y i
y=µ= i =1
n
= 39, 49 €
∑m i =1
i
1 n
( ) 1 n 2
2 n n
∑ yi − ymi ∑ i ∑ ∑
2
Sc = = + − = 2612,04
2 2
y y m 2 y mi yi
n − 1 i =1 n − 1 i =1
i
i =1 i =1
1 N − n Sc2
V ( y) =
2
= 0, 23 2 V ( y ) = 0,96 €
M N n
6. (Como ejercicio 4, relación del tema 6) En un proceso de control del volumen envasado
por una fábrica de bebidas se eligen 3 de los 40 paquetes envasados en una hora, cada uno
de los cuales contiene 4 envases, y se mide el volumen que cada envase contiene. Las
observaciones se presentan en la tabla adjunta:
Paquete nº Volumen envasado en cl
1 33,5 32,5 31 34
2 32,5 32 33 32,5
3 30,5 33 33 33,5
Estime el volumen medio de los envases y la cota del error de estimación.
SOLUCIÓN:
N=40, n=3, mi yi mi yi
4 131 524
4 130 520
4 130 520
3
∑m y
i =1
i i = 1564
104
3 3
y t = 130,33 ∑ yi = 391
i =1
∑y
i =1
2
i = 50961
∑y i
yt
y=µ= i =1
3
= = 32,5833 cl
m
∑m
i =1
i
1 3
( ) 1 3 2
2 3 3
∑ yi − ymi ∑ i ∑ ∑
2
Sc = = + − = 0,3333
2 2
y y m 2 y mi yi
n − 1 i =1 n − 1 i =1
i
i =1 i =1
1 N − n Sc2
V ( y) = 2 = 0, 006423 2 V ( y ) = 0,1603 cl
M N n
7. (Como ejercicio 1, relación del tema 6) Un fabricante de sierras quiere estimar el coste
medio de reparación mensual para las sierras que ha vendido a ciertas industrias. El
fabricante no puede obtener un coste de reparación para cada sierra, pero puede obtener la
cantidad total gastada en reparación y el número de sierras que tiene cada industria.
Entonces decide usar muestreo por conglomerados, con cada industria como un
conglomerado. El fabricante selecciona una muestra aleatoria simple de 5 de 100
industrias a las que da servicio. Los datos sobre coste total de reparaciones por industria y
el número de sierras son:
Industria Nº sierras Costo total de reparación
para el mes pasado (€)
1 3 50
2 7 110
3 11 230
4 9 140
5 2 60
Estime el coste medio de reparación por sierra para el mes pasado y el límite para el error
de estimación.
SOLUCIÓN: N=100, n=5,
mi yi
150
770
2530
1260
120
n
∑m y
i =1
i i = 4830
105
n n
y t = 118 ∑ yi = 590
i =1
∑y
i =1
2
i = 90700
∑y i
yt
y=µ= i =1
5
= = 18, 4375 €
m
∑m
i =1
i
1 n
( ) 1 n 2
2 n n
∑ yi − ymi ∑ i ∑ ∑
2
Sc = = + − = 584, 57
2 2
y y m 2 y mi yi
n − 1 i =1 n − 1 i =1
i
i =1 i =1
1 N − n Sc2
V ( y) = 2 = 2, 7116 2 V ( y ) = 3, 2934 €
M N n
SOLUCIÓN:
N=495, n=5, mi yi
877200
738270
399000
1514700
651832
n
∑m y
i =1
i i = 4181002
106
(con las funciones del modo SD de la calculadora ) :
n n
M = m = 1260, 2 ∑ mi = 6301
i =1
∑m
i =1
2
i = 8270161
n n
y t = 638, 6 ∑y i =1
i = 3193 ∑y
i =1
2
i = 2183195
∑y i
yt
p=µ= i =1
5
= = 0,506745 ( 50, 67% )
m
∑m
i =1
i
1 n
( ) 1 n 2
2 n n
∑ yi − ymi ∑ i ∑ ∑
2
Sc = = + − = 17372,505
2 2
y y m 2 y mi yi
n − 1 i =1 n − 1 i =1
i
i =1 i =1
1 N − n Sc2
V ( p) = 2
= 0, 00216573 2 V ( y ) = 0, 0930748 ( 9,31% )
M N n
107
7. Estimación del tamaño de la población.
7.1 Muestreo directo.
7.2 Muestreo inverso.
7.3 Muestreo por cuadros.
7.3.1 Estimación de la densidad y tamaño de la población.
7.3.2 Muestreo por cuadros en el espacio temporal.
7.3.3 Cuadros cargados.
• VARIANZA ESTIMADA DE N̂ : ( )
Vˆ Nˆ =
t 2 n(n − s )
s3
Comentarios
s = número de elementos marcados en la 2ª muestra, ha de ser mayor que 0 para que
las fórmulas estén bien definidas. Si en la segunda muestra no aparece ningún
elemento marcado, se aumenta el tamaño muestral.
N̂ no es un estimador insesgado de N :
[ ]
E Nˆ = N + N
(N − t)
nt
≠N
(N − t)
Cuanto mayor sean n y t menor será el sesgo N .
nt
108
N̂ tiende a sobreestimar el valor real de N .
( )
B = 2 Vˆ Nˆ = 150, 60
• VARIANZA ESTIMADA DE N̂ : ( )
t 2 n( n − s )
Vˆ Nˆ = 2
s ( s + 1)
109
Ejemplo 7.2 (Ejercicio 5, relación tema 7)
Una zoóloga desea estimar el tamaño de la población de tortugas en determinada área
geográfica. Ella cree que el tamaño de la población está entre 500 y 1000; por lo que una
muestra inicial de 100 parece ser suficiente. Las 100 tortugas son capturadas, marcadas y
liberadas. Toma una segunda muestra un mes después y decide continuar muestreando hasta
que se recapturen 15 tortugas marcadas. Atrapa 160 tortugas para obtener las 15 marcadas.
Estime el tamaño total de la población de tortugas y establezca un límite de error de
estimación.
Solución
nt 160 × 100
Nˆ = = = 1.066, 67
s 15
t 2 n(n − s ) 1002 × 160(160 − 15)
ˆ( )
V N = 2
ˆ
s ( s + 1)
=
152 (15 + 1)
= 64.444, 44
( )
B = 2 Vˆ Nˆ = 507, 72
2. Tomar una muestra de n cuadros entre los N existentes. Se observa el número total
de elementos que contiene la muestra:
n
m = ∑ mi
i =1
110
m 1
• VARIANZA ESTIMADA DE λ̂ : Vˆ (λˆ ) = 2 2 = λˆ
a n na
m Nm
• ESTIMADOR DEL TAMAÑO POBLACIONAL: Mˆ = Aλˆ = A =
na n
A2 m N 2 m
• VARIANZA ESTIMADA DE M̂ : Vˆ ( Mˆ ) = A2Vˆ (λˆ ) = 2 2 = 2
an n
111
Solución:
m 4324
a) a = 10 ×10 = 100 λˆ = = = 2,162
na 20 × 100
λˆ 2,162
Vˆ (λˆ ) = = = 0, 001081 ⇒ B = 2 0, 001081 = 0, 066
na 2000
112
Los pasos a seguir son:
1. Se divide a la población en N cuadros de igual área a .
2. Se toma una muestra de n cuadros entre los N existentes. Se observa el número total
de cuadros no cargados de la muestra, a este número de cuadros sin presencia de
elementos se le designa por y . Es importante tener en cuenta que y no puede ser cero
ni n ( 0 < y < n ). Si una vez observada la muestra y = 0 ó y = n , ampliaremos el
tamaño muestral
3. La densidad poblacional se estima como
1 y
λˆ = − ln
a n
y su varianza como
1 n− y
Vˆ (λˆ ) = 2
a ny
A2 n − y
• VARIANZA ESTIMADA DE M̂ : Vˆ ( Mˆ ) = 2
a ny
113
EJERCICIOS RESUELTOS
114
A2 λɵ
( )
V M =
an
= 124416 B = 2 124416 = 705.45 veh.
A = 24h a = 0.5h N = 48 n = 6 m = 60 m = 10
A2 λɵ A2 m
M = λɵ A =
m
a
( )
A = 480 clientes V M =
an
= 2 = 3840
an
( )
2 V M = 123,94 clientes
A2 λɵ A2 m
M = λɵ A =
m
a
A = 5500 ( )
V M =
an
= 2 = 27500
an
( )
2 V M = 331, 66
115
Facultad 500 carpetas. En un intercambio de clase, sentado en un banco del pasillo, decide
contar los alumnos que pasan hasta observar a 100 que portan la carpeta, para lo que fue
necesario contar hasta 382 alumnos.
Estime con un intervalo de confianza el número de alumnos que asistieron esa mañana a la
Facultad.
SOLUCIÓN: muestreo inverso
t = 500 n = 382 s = 100
t nt
N= = = 1910 alumnos
p s
( )
V N =
t 2 n(n − s )
s 2 ( s + 1)
= 26664,35643 ( )
2 V N = 326,58 alumnos
(1910 ∓ 326,58)
116
8. Análisis cluster.
8.1 Introducción.
8.2 Medidas de similaridad.
8.2.1 Medidas de similaridad para variables métricas
8.2.2 Medidas de similaridad para datos binarios
8.3 Estandarización de datos.
8.4 Formación de grupos: Clusters jerárquicos y clusters no jerárquicos.
8.4.1 Clusters jerárquicos.
8.4.2 Clusters no jerárquicos.
8.5 Elección entre los distintos tipos de análisis cluster.
8.1 Introducción
Supongamos que el responsable de marketing de una empresa tiene una base de datos con las
características sociodemográficas de sus clientes: edad, nivel educativo, nivel de ingresos,
estado civil, tipo de ocupación, número de hijos, etc. Este directivo se plantea si puede dividir
a sus clientes en subgrupos con características sociodemográficas similares entre sí, pero lo
más diferente posible unos subgrupos de otros. Si esto fuera así, el directivo podría, por
ejemplo, diseñar campañas de publicidad distintas para cada grupo, con creatividades
diferentes.□
El término análisis cluster se utiliza para definir una serie de técnicas que tienen por objeto la
búsqueda de grupos similares de individuos o de variables. Dada una muestra de individuos,
de cada uno de los cuales se dispone de una serie de observaciones, el análisis cluster sirve
para clasificarlos en grupos de tal forma que:
o Cada grupo (cluster o conglomerado) sea lo más homogéneo posible en base a las
variables observadas, es decir, cada observación contenida en él sea parecida a todas
las que estén incluidas en ese grupo.
o Los grupos sean lo más distintos posible unos de otros respecto a las variables
consideradas.
Los grupos no son conocidos de antemano pero serán sugeridos por la propia esencia de los
datos (a partir de las observaciones).
Además de encontrar agrupaciones “naturales” entre los elementos de la muestra, el análisis
cluster es útil para reducir la información e, incluso, si el análisis genera agrupaciones
inesperadas, nos puede sugerir nuevas relaciones a investigar entre los elementos.
117
Inicialmente, el investigador dispone de n observaciones (individuos, empresas, etc.) de los
que tiene información sobre k variables (edad, estado civil, etc.). Los pasos lógicos que se
efectúan al realizar un análisis cluster son:
1. Establecer un indicador que nos diga en que medida cada par de observaciones se
parecen entre sí. A esta medida se le denomina distancia o similaridad.
2. El siguiente paso consiste en crear grupos, de forma que cada grupo contenga aquellas
observaciones que más se parezcan entre sí, de acuerdo con la medida de similaridad
calculada antes.
3. Finalmente, el investigador debe describir los grupos que ha obtenido y compararlos
unos con otros. Para ello es útil ver qué valores promedio toman las variables
utilizadas en cada uno de los grupos creados.
La única información requerida en el análisis cluster es una medida cuantitativa con la que se
pueda medir la asociación o similitud entre elementos.
Para llevar a cabo el paso 2, existen dos tipos de técnicas para realizar este análisis:
118
Solución
La siguiente figura ilustra gráficamente los datos anteriores
30,00
E8
E4 E7
25,00
E3
Ventas
20,00
E6
15,00
E2
E1 E5
10,00
10 20 30 40 50
Inversion
Al haber utilizado solo dos variables se pueden distinguir de forma clara cuatro grupos de
empresa:
o Grupo E1-E2: Con una pequeña inversión han obtenido pocas ventas
o Grupo E3-E4: Pese haber invertido tan poco como las empresas anteriores, han
obtenido una gran rentabilidad, en términos de ventas, a estas inversiones.
o Grupo E5-E6: Pese a haber realizado un gran esfuerzo publicitario no han sido capaz
de obtener unas ventas razonables.
o Grupo E7-E8: Con inversiones elevadas han rentabilizado su inversión en términos de
ventas.□
¿Cómo se han obtenido los grupos anteriores? De forma intuitiva hemos visto que la empresa
E1 está a una distancia menor de E2 que de E3 o de cualquiera de las empresas restantes, y las
hemos puesto en el mismo grupo. De manera análoga hemos procedido con las demás
empresas. Pero ¿qué hubiera ocurrido si en vez de tener dos variables tuviésemos 5 o 50? En
estos casos, debemos formalizar la expresión “más cerca” y traducirla en alguna medida de
proximidad o similaridad entre cada par de observaciones. En función del tipo de variables
que se utilicen, las medidas adecuadas serán diferentes.
119
8.2.1 Medidas de similaridad para variables métricas
En el caso en que las variables que se utilicen para caracterizar las observaciones sean
métricas se pueden utilizar algunas de las siguientes medidas.
que toma la variable x p de las k existentes, la distancia euclídea entre ambas se calcula del
siguiente modo:
∑( x − x jp )
k
2
Dij = ip
p =1
El programa SPSS calcula las distancias entre todos los pares de observaciones como paso
inicial del análisis cluster:
Matriz de distancias euclideas
distancia euclídea
Caso 1:E1 2:E2 3:E3 4:E4 5:E5 6:E6 7:E7 8:E8
1:E1 ,00 5,66 13,42 15,52 29,00 34,37 32,65 38,01
2:E2 5,66 ,00 8,25 11,00 33,24 38,01 34,79 40,16
3:E3 13,42 8,25 ,00 3,61 37,00 40,61 35,13 40,31
4:E4 15,52 11,00 3,61 ,00 36,25 39,29 33,00 38,05
5:E5 29,00 33,24 37,00 36,25 ,00 7,07 15,00 17,72
6:E6 34,37 38,01 40,61 39,29 7,07 ,00 11,18 12,00
7:E7 32,65 34,79 35,13 33,00 15,00 11,18 ,00 5,39
8:E8 38,01 40,16 40,31 38,05 17,72 12,00 5,39 ,00
Esta es una matriz de disimilaridades
Dij = ∑ ( xip − x jp )
k
2
p =1
120
(C) Distancia de Minskowski
La distancia euclídea es un caso particular de la distancia de Minskowski:
1
k n n
Dij = ∑ xip − x jp
p =1
Tomando n = 2 se obtiene la distancia euclídea.
Ejemplo 8.3
Consideremos una base de datos formada por 5 observaciones de 4 variables dicotómicas:
Observaciones Variables
X1 X2 X3 X4
E1 1 1 0 0
E2 0 1 1 1
E3 1 1 0 1
E4 0 0 0 1
E5 1 1 1 0
Para calcular las medidas de similaridad se construye en primer lugar una matriz 2×2 para
cada par de observaciones. En ella se recogen las coincidencias y las divergencias entre las
distintas variables correspondientes a las dos observaciones comparadas. Por ejemplo, para las
observaciones E1 y E2:
E1
1 0
1 1 2
E2
0 1 0
E1
1 0
1 a b
E2
0 c d
Dado que la observación E1 presenta un 1 a la vez que E2 en una sola ocasión (para la
variable X2), la celda a que recoge este hecho aparece como 1. Como para las variables X3 y
X4 el atributo está presente en E2 y ausente en E1, en la casilla b aparece un 2.
Análogamente se calculan c y d . De este modo calcula el SPSS distintas medidas de
similitud.□
121
Las medidas de similitud más utilizadas, para dos observaciones i y j cualquiera, son las
siguientes:
(b − c )
2
Dij =
(a + b + c + d )
2
Ejemplo 8.4
Con los datos del ejemplo 8.3, calculamos la distancia “diferencia de tamaño” entre las
observaciones E1 y E2:
( 2 − 1)
2
D12 = = 0, 0625
(1 + 2 + 1 + 0 )
2
La salida del SPSS para un análisis cluster que utiliza como distancia la diferencia de tamaño
es la siguiente:
Matriz de distancias
diferencia de tamaño
Caso 1:E1 2:E2 3:E3 4:E4 5:E5
1:E1 ,000 ,063 ,063 ,063 ,063
2:E2 ,063 ,000 ,000 ,250 ,000
3:E3 ,063 ,000 ,000 ,250 ,000
4:E4 ,063 ,250 ,250 ,000 ,250
5:E5 ,063 ,000 ,000 ,250 ,000
Esta es una matriz de disimilaridades□
Ejemplo 8.5
En el siguiente cuadro se recoge el tamaño de los activos y el número de trabajadores de 8
empresas:
Nombre Empresa Activos Trabajadores
E1 10.000.000.000 100
E2 10.050.000.000 90
E3 10.000.000.000 200
E4 10.050.000.000 190
E5 20.000.000.000 200
E6 20.050.000.000 190
E7 20.000.000.000 100
E8 20.050.000.000 90
Si efectuamos un análisis cluster con estos datos, la matriz de distancias que se obtiene es:
Matriz de distancias
distancia euclídea
Caso 1:E1 2:E2 3:E3 4:E4 5:E5 6:E6 7:E7 8:E8
1:E1 ,000 5,0E+07 100,000 5,0E+07 1,0E+10 1,0E+10 1,0E+10 1,0E+10
2:E2 5,0E+07 ,000 5,0E+07 100,000 1,0E+10 1,0E+10 1,0E+10 1,0E+10
3:E3 100,000 5,0E+07 ,000 5,0E+07 1,0E+10 1,0E+10 1,0E+10 1,0E+10
4:E4 5,0E+07 100,000 5,0E+07 ,000 1,0E+10 1,0E+10 1,0E+10 1,0E+10
5:E5 1,0E+10 1,0E+10 1,0E+10 1,0E+10 ,000 5,0E+07 100,000 5,0E+07
6:E6 1,0E+10 1,0E+10 1,0E+10 1,0E+10 5,0E+07 ,000 5,0E+07 100,000
7:E7 1,0E+10 1,0E+10 1,0E+10 1,0E+10 100,000 5,0E+07 ,000 5,0E+07
8:E8 1,0E+10 1,0E+10 1,0E+10 1,0E+10 5,0E+07 100,000 5,0E+07 ,000
Esta es una matriz de disimilaridades
Este matriz muestra que los dos grupos obtenidos responden exclusivamente a la variable
“activos” puesto que sitúa en un mismo grupo a aquellas con cifras que rondan los 10.000
millones (E1, E2, E3, E4) y en otro grupo a las que tienen activos en torno a los 20.000
millones (E5, E6, E7, E8). Es decir, la influencia del número de trabajadores es prácticamente
nula.□
Para evitar esta influencia no deseable de una variable debida exclusivamente a la unidad en
que viene medida, es necesario corregir el efecto de los datos recurriendo a un proceso de
estandarización. El programa SPSS ofrece distintas posibilidades, de las que detallamos las de
uso más frecuente:
123
o Puntuaciones Z. Los datos son estandarizados restando al valor de cada observación la
media del conjunto de observaciones y dividiendo el resultado por su desviación típica.
De esta forma, la variable estandarizada tiene media 0 y varianza 1.
o Rango 1. El valor de la variable en cada observación es dividido por el rango de esa
variable para el conjunto de observaciones. De esta manera, el rango de variación de la
variable así estandarizada queda reducido a un intervalo de valor 1.
o Rango 0 a 1. El valor de una variable para cada observación es estandarizado
sustrayéndole el valor mínimo que toma esa variable en el conjunto de las
observaciones y a continuación se divide por el rango. De esta forma, el valor mínimo
de la variable será 0 y el máximo 1.
Ejemplo 8.6
Estandarizamos los datos del ejemplo 8.5 utilizando el procedimiento de las puntuaciones Z:
Nombre Empresa Activos Trabajadores Valores estand. Valores estand.
(Pesetas) Activos Trabajadores
E1 10.000.000.000 100 -1,00 -0,90
E2 10.050.000.000 90 -0,99 -1,09
E3 10.000.000.000 200 -1,00 1,09
E4 10.050.000.000 190 -0,99 0,90
E5 20.000.000.000 200 0,99 1,09
E6 20.050.000.000 190 1,00 0,90
E7 20.000.000.000 100 0,99 -0,90
E8 20.050.000.000 90 1,00 -1,09
Media 15.025.000.000 145 0 0
Desv. Típica 5.000.062.499 50,24 1 1
Si efectuamos un análisis cluster con los datos tipificados, la matriz de distancias es:
Matriz de distancias
distancia euclídea
Caso 1:E1 2:E2 3:E3 4:E4 5:E5 6:E6 7:E7 8:E8
1:E1 ,000 ,186 1,862 1,675 2,639 2,518 1,871 1,889
2:E2 ,186 ,000 2,048 1,862 2,767 2,639 1,871 1,871
3:E3 1,862 2,048 ,000 ,186 1,871 1,889 2,639 2,780
4:E4 1,675 1,862 ,186 ,000 1,871 1,871 2,504 2,639
5:E5 2,639 2,767 1,871 1,871 ,000 ,186 1,862 2,048
6:E6 2,518 2,639 1,889 1,871 ,186 ,000 1,675 1,862
7:E7 1,871 1,871 2,639 2,504 1,862 1,675 ,000 ,186
8:E8 1,889 1,871 2,780 2,639 2,048 1,862 ,186 ,000
Esta es una matriz de disimilaridades
Esta matriz muestra cómo ahora aparecen 4 grupos. Por ejemplo, E1 y E2. Tiene activos en
torno a los 10.000 millones pero los separa del grupo formado por E3 y E4 porque estas
últimas les doblan en términos de número de trabajadores.□
124
8.4 Formación de los grupos: Clusters jerárquicos y clusters no jerárquicos
Una vez que, mediante el cálculo de la matriz de distancias, se sabe qué observaciones están
más próximas entre si, es necesario formar los grupos. Esto implica tomar dos decisiones:
o Seleccionar el algoritmo de agrupación.
o Determinar un número de grupos razonables.
Adoptar estas decisiones no es sencillo dado que existen decenas de algoritmos de agrupación.
La mayoría de los autores aconsejan utilizar diversos procedimientos y comparar resultados.
Si distintos métodos aportan agrupaciones similares será razonable suponer que existe una
agrupación natural objetiva. Si no fuera así, habría que examinar las distintas agrupaciones a
la luz de un marco teórico o de trabajos precedentes para elegir el resultado más razonable.
Los algoritmos de agrupación se clasifican, como se adelantaba en la introducción, en dos
clases:
Técnicas jerárquicas.
Técnicas no jerárquicas.
Ejemplo 8.7
Utilizando los datos sobre las 8 empresas del ejemplo 8.1, calculamos la matriz de distancias,
en este caso euclídea al cuadrado:
125
Matriz de distancias
distancia euclídea al cuadrado
Caso 1:E1 2:E2 3:E3 4:E4 5:E5 6:E6 7:E7 8:E8
1:E1 0 32 180 241 841 1181 1066 1445
2:E2 32 0 68 121 1105 1445 1210 1613
3:E3 180 68 0 13 1369 1649 1234 1625
4:E4 241 121 13 0 1314 1544 1089 1448
5:E5 841 1105 1369 1314 0 50 225 314
6:E6 1181 1445 1649 1544 50 0 125 144
7:E7 1066 1210 1234 1089 225 125 0 29
8:E8 1445 1613 1625 1448 314 144 29 0
Esta es una matriz de disimilaridades
Donde, por ejemplo, la distancia entre E1 y E3-4 se ha calculado sobre el centroide de éste
último grupo:
126
DE1, E 3− 4 = (16 − 11) + (10 − 23,5 ) = 207,3
2 2
En las cuatro primeras etapas se fusionan empresas individuales. En la etapa 5 se fusionan dos
grupos E1-2 y E3-4, aunque estos aparecen etiquetados con el nombre de uno solo de sus
integrantes (E1-2 se representa por 1, E3-4 se representa por 3). La columna de coeficientes
refleja las distancias a las que estaban los grupos que se van fusionando en cada etapa.
El historial de agrupación tiene una traducción gráfica que es de gran utilidad para determinar
el número razonable de grupos que debe retenerse. A este grafico se le denomina
dendograma:
* * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * *
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
E3 3 òûòòòø
E4 4 ò÷ ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø
E1 1 òûòòò÷ ó
E2 2 ò÷ ó
E7 7 òûòòòòòø ó
E8 8 ò÷ ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòò÷
E5 5 òûòòòòò÷
E6 6 ò÷
¿Cómo sirve el dendograma para determinar el número razonable de grupos que debe
retenerse? Como hemos señalado, el análisis de conglomerados jerárquicos comienza
127
considerando a cada individuo como un grupo independiente y sucesivamente se van
fusionando a los más cercanos hasta que todos forman un solo grupo. Pero cada etapa une
individuos más distantes, es decir, más diferentes, menos susceptibles de formar un grupo.
En nuestro ejemplo, en la primera etapa se fusionan observaciones que distan 13 unidades y
en la etapa 5 observaciones que distan 141 unidades. ¿Dónde cortar y dejar de fusionar? En
aquel momento en que la fusión siguiente va a unir individuos muy distintos, es decir, donde
el dendograma dé un gran salto. Por tanto, en este ejemplo, formaríamos dos grupos: (E3,
E4, E1, E2) (E7, E8, E5, E6) o cuatros: (E3, E4), (E1, E2), (E7, E8), (E5, E6). □
Ejemplo 8.8
Con el ejemplo anterior, la distancia entre los grupos E1-2 y E3-4 estará representada por la
distancia entre E2 y E3, que son los más cercanos. El historial de conglomeración que
proporciona el SPSS es el siguiente:
Historial de conglomeración
128
30,00
E8 2
1
E4 E7
25,00
E3
Ventas
20,00
6
5
E6
15,00
E2 4
3 7
E1 E5
10,00
10 20 30 40 50
Inversion
Ejemplo 8.9
El historial de conglomeración, utilizando SPSS, es:
Historial de conglomeración
El coeficiente de la etapa 5 es 241, que corresponde con la distancia entre las empresas E1 y
E4.
129
30,00
E8 2
1
E4 E7
25,00
E3
Ventas
20,00
6
5
7
E6
15,00
E2 4
3
E1 E5
10,00
10 20 30 40 50
Inversion
Ejemplo 8.10
El historial de conglomeración con este procedimiento es:
Historial de conglomeración
Podemos observar como en la etapa 5 se fusiona el grupo formado por las empresas E1 y E2
(etiquetado por 1) con el formado por las empresas E3 y E4 (etiquetado por 3). El coeficiente,
es decir, la distancia entre ambos grupos es 152’5, que se obtiene de la siguiente manera.
130
Todas las posibles combinaciones entre pares de puntos de estos dos grupos, su distancia y la
distancia promedio son:
Pares de observaciones Distancia Promedio
E1, E3 180
E1, E4 241
152,5
E2, E3 68
E2, E4 121
Aunque en nuestro ejemplo los cuatro métodos de agrupación nos han conducido al mismo
historial de conglomeración (salvo los coeficientes) esto no ocurre siempre, pudiéndose
presentar distintas jerarquías de agrupación para los diferentes métodos.
Ejemplo 8.11
A partir de los coeficientes que se obtienen utilizando el método de la vinculación promedio
(véase ejemplo 8.10), las tasas de variación son:
Número
Observaciones Grupos Tasa de
Etapa de Coeficiente
que se fusionan Resultantes Variación
grupos
1 [E3,E4] [E3,E4],E1,E2,E5,E6,E7,E8 7 13 1,23
2 [E7,E8] [E3,E4][E7,E8],E1,E2,E5,E6 6 29 0,10
3 [E1,E2] [E1,E2][E3,E4][E7,E8],E5,E6 5 32 0,56
4 [E5,E6] [E1,E2][E3,E4][E5,E6][E7,E8] 4 50 2,05
5 [E1,E2][E3,E4] [E1,E2,E3,E4][E5,E6][E7,E8] 3 152,5 0,32
6 [E5,E6][E7,E8] [E1,E2,E3,E4][E5,E6,E7,E8] 2 202 5,55
7 [E1,E2,E3,E4][E5,E6,E7,E8] [E1,E2,E3,E4,E5,E6,E7,E8] 1 1323,625 -
131
Cálculo de la primera tasa de variación:
29 − 13
T1 = = 1, 23
13
Hay dos opciones razonables: no ejecutar la séptima etapa del análisis jerárquico, dado que el
coeficiente da un salto del 555%, y dividir las empresas en dos grupos
[E1,E2,E3,E4][E5,E6,E7,E8] o no ejecutar la quinta etapa del análisis, pues el coeficiente da
un salto del 205% y dividir las empresas en cuatro grupos [E1,E2][E3,E4][E5,E6][E7,E8].
132
Ejemplo 8.12
Observación Inversión Ventas Distancias Distancias Conglomerado
Centroide 1 Centroide 2 asignado
E1 16 10 34,37 15,52 2
E2 12 14 38,01 11 2
E3 10 22 40,61 3,61 2
E4 12 25 39,29 0 2
E5 45 10 7,07 36,25 1
E6 50 15 0 39,29 1
E7 45 25 11,18 33 1
E8 50 27 12 38,05 1
También indica qué cambios, en términos de distancia euclídea entre los centroides iniciales y
finales, se producen en cada una de las etapas
Historial de iteraciones(a)
Cambio en los centros
de los conglomerados
Iteración 1 2
1 4,931 7,267
2 ,000 ,000
a Se ha logrado la convergencia debido a que los centros de los conglomerados no presentan ningún cambio o
éste es pequeño. El cambio máximo de coordenadas absolutas para cualquier centro es de ,000. La iteración
actual es 2. La distancia mínima entre los centros iniciales es de 39,294.
Podemos observar que, en la primera etapa, el centroide final del conglomerado 1 dista del
inicial 4,931 unidades:
La salida del programa indica también a qué conglomerado se ha asignado cada observación,
señalando además lo que dista cada observación del centro de ese conglomerado:
134
Pertenencia a los conglomerados
Esta información es fundamental para caracterizar a los grupos obtenidos, ya que la misión del
analista no es sólo determinar qué observaciones van a cada conglomerado, sino obtener las
características de los mismos. El cuadro anterior nos indica que hay dos tipos de empresas que
se diferencian porque unas, las del conglomerado 1 necesitan mucha más inversión
publicitaria para alcanzar niveles similares de ventas, es decir, obtienen mucha menor
rentabilidad de su inversión que las del conglomerado 2.
El SPSS ofrece también una serie de ANOVAS donde el factor es la pertenencia al
conglomerado y las variables dependientes son, sucesivamente, cada una de las utilizadas para
caracterizar a los grupos:
ANOVA
Conglomerado Error
Media Media
cuadrática gl cuadrática Gl F Sig.
Inversión 2450,000 1 7,333 6 334,091 ,000
Ventas 4,500 1 56,917 6 ,079 ,788
Las pruebas F sólo se deben utilizar con una finalidad descriptiva puesto que los conglomerados han sido
elegidos para maximizar las diferencias entre los casos en diferentes conglomerados. Los niveles críticos no son
corregidos, por lo que no pueden interpretarse como pruebas de la hipótesis de que los centros de los
conglomerados son iguales.
Por las razones expuestas al pie de la tabla, estas pruebas solo deben utilizarse con finalidad
descriptiva. Se puede observar que las diferencias entre las inversiones publicitarias de los dos
grupos son muy grandes, pero no así las ventas. Esto confirma la interpretación de los
conglomerados expuesta anteriormente.□
136
9. Componentes principales.
9.1 Introducción.
9.2 Componentes principales.
9.2.1 Componentes principales a partir de variables estandarizadas.
9.1 Introducción.
El análisis de componentes principales (ACP) es un método estadístico multivariante de
simplificación o reducción de la dimensión de una tabla de variables cuantitativas, obteniendo
otra de menor número de variables, combinación lineal de las primitivas, que se denominan
componentes principales. Su aplicación es directa sobre cualquier conjunto de variables sin
que el investigador haya previamente establecido jerarquías entre ellas (var. dependientes o
independientes), normalidad de su distribución, ...
Podría decirse que el objetivo principal que persigue el ACP es la representación de las
medidas numéricas de varias variables en un espacio de pocas dimensiones donde nuestros
sentidos puedan percibir relaciones que de otra manera permanecerían ocultas en dimensiones
superiores. Dicha representación debe ser tal que al desechar dimensiones superiores la
pérdida de información sea mínima.
137
9.2 Componentes principales.
En el análisis de componentes principales se dispone de una muestra de tamaño n acerca de
p variables numéricas aleatorias X 1 , X 2 ,..., X p inicialmente correladas, para posteriormente
normalidad multivariante.
[ ]
Sea un vector aleatorio X ' = X 1 , X 2 ,..., X p con matriz de covarianzas S con valores propios
evitar el peso excesivo de alguna de las variables en el análisis, se trabaja con variables
tipificadas (o estandarizadas), y por tanto S = R .
cuyas varianzas en (9-1) son las mayores posibles, es decir, reúnen la máxima cantidad de
información posible.
138
• Y en el paso i-ésimo: i-ésima componente principal = combinación lineal φi' X que
dada por
Yi = φi' X = φi1 X 1 + φi 2 X 2 + ⋯ + φip X p , i = 1, 2,..., p
[ ]
Resultado 9.2 Sea X ' = X 1 , X 2 ,..., X p con matriz de covarianzas S , con pares de valores y
Cada componente del vector de coeficientes φi' = (φi1 ,..., φik ,..., φip ) también merece atención.
correlación entre Yi y X k .
139
Resultado 9.3 Si Y1 = φ1' X , Y2 = φ2' X ,..., Yp = φ p' X son las componentes principales
φik λi
rYi , X k = , i, k = 1, 2,..., p
skk
Ejemplo 9.1
Veamos cómo se aplica la transformación de componentes principales a un conjunto de datos
que presentan cierta correlación. En la siguiente figura mostramos los datos sobre los que se
va a efectuar la transformación. Como se observa, las variables X 1 y X 2 presentan una
correlación positiva.
Calculamos los valores propios de S . Como p = 2 habrá dos valores propios asociados a la
particular,
o lo que es igual,
λ 2 − 3λ + 0.88 = 0
y las soluciones son: λ1 = 2.67 y λ2 = 0.33
140
Calculamos los vectores propios asociados a esos valores. El vector propio φ1 ,
correspondiente a λ1 = 2.67 se calcula como sigue. El vector propio φ1 es la solución a
( S − λ1 I ) φ1 = 0. Esto es,
1.9 1.1 1 0 φ11 −0.77 1.1 φ11
− 2.67 = 0 ⇔ = 0
1.1 1.1 0 1 φ12 1.1 −1.57 φ12
o lo que es igual,
−0.77φ11 + 1.10φ12 = 0
1.10φ11 − 1.57φ12 = 0
Como nos hemos restringidos a vectores con longitud 1 (φ1′ φ1 = 1) , imponemos también que
−0.57
El vector propio φ2 , correspondiente a λ2 = 0.33 se calcula de manera similar: φ2 = .
0.82
Las componentes de un vector propio indican la dirección de los nuevos ejes respecto al
sistema de coordenadas original. La interpretación geométrica del nuevo sistema de
coordenadas (Y1 , Y2 ) respecto al original ( X 1 , X 2 ) en base a los vectores propios φ1 y φ2 se
141
Calculamos las componentes principales.
X X
Y1 = φ '1 1 = ( 0.82 0.57 ) 1 = 0.82 X 1 + 0.57 X 2
X2 X2
X
Y2 = ( −0.57 0.82 ) 1 = −0.57 X 1 + 0.82 X 2
X2
Por último, observemos que la matriz de covarianza SY es diagonal y contiene los valores
propios asociados a S .
2.67 0
SY =
0 0.33
observamos que:
142
a) Las variables Y1 e Y2 están incorreladas ( ry1 y2 = 0 ) mientras que las variables X 1 y X 2
2 2
143
concluimos que X 1 y X 2 son importantes en la primera componente principal. Las
correlaciones con la segunda componente no se calculan porque ésta componente no es
importante •
Ejemplo 9.2
Las salidas que nos interesan del SPSS con los datos del ejemplo anterior son las siguientes:
Estadísticos descriptivos
Desviación
Media típica N del análisis
VAR00001 3,5000 1,37840 6
VAR00002 3,5000 1,04881 6
144
Matriz de componentes(a)
Bruta Reescalada
Componente Componente
1 1
VAR00001 1,338 ,971
VAR00002 ,938 ,894
Método de extracción: Análisis de componentes principales.
a 1 componentes extraídos
Para obtener los coeficientes de la primera componente φik (que es la que explica el 89,016%
de la varianza) hay que dividir los números de la tabla de Matriz de componentes, columna
Bruta, entre la raiz cuadrada del valor propio de la componente, dado que la componente bruta
es igual a φik λi . En nuestro caso:
1, 338
φ11 = = 0,82
2, 67
0, 938
φ12 = = 0,57
2, 67
La columna Reescalada nos da las correlaciones entre la primera componente y las variables
φ1k λ1
originales, rY1 , X k = , por tanto es igual a la columna Bruta dividida por la desviación
skk
NOTA: Cuando trabajamos con la matriz de correlación de las variables X k , SPSS sólo da
una columna por componente. La Bruta y la Reescalada coinciden y los coeficientes dados
son las correlaciones entre las componentes y las variables originales.
Z1 =
( X 1 − µ1 )
s11
Z2 =
( X 2 − µ2 )
s22
⋮
Zp =
(X p − µp )
s pp
145
Se puede demostrar que E [ Z ] = 0 y Cov( Z ) = R . Las componentes principales de Z pueden
ser obtenidas a partir de los vectores propios de la matriz de correlación R de X . Todos los
resultados previos se pueden aplicar, con algunas simplificaciones ya que la varianza de cada
Z i es la unidad. Denotaremos las componentes principales muestrales de igual manera que
partir de S y R no son las mismas, pero será claro, según el contexto, la matriz usada.
También es conveniente etiquetar los valores y vectores propios por ( λi , φi ) para ambas
situaciones.
Resultado 9.4 La i-esima componente principal de las variables estandarizadas Z ' = (Z1,..., Z p )
Además,
p p
∑ Var (Yi ) = ∑Var ( Zi ) = p
i =1 i =1
y
rYi , Zk = φik λi , i, k = 1,..., p
En este caso ( λ1 , φ1 ) ,..., ( λ p , φ p ) son los pares de valores y vectores propios para R con
λ1 ≥ ⋯ ≥ λ p ≥ 0 . •
Ejemplo 9.3
Consideremos la matriz de covarianzas
1 4
S =
4 100
y la matriz de correlación derivada de ella
1 0.4
R= .
0.4 1
Se van a obtener las componentes principales utilizando estas dos matrices.
146
Los valores y vectores propios de S son
λ1 = 100.16 φ1' = ( 0.040, 0.999 )
λ2 = 0.84 φ2' = ( 0.999, −0.040 )
φ11 λ1
rY1 , X1 = = 0.4
s11
φ12 λ1 0.999 100.16
rY1 , X 2 = = = 0.999
s22 100
Cuando las variables están estandarizadas, sin embargo, las variables resultantes contribuyen
de igual forma a las componentes principales determinadas a partir de R . Veámoslo:
147
λ1 1.4
En este caso, la primera componente explica una proporción de = = 0.7 de la varianza
p 2
total.
Vemos entonces que la importancia relativa de las variables sobre, por ejemplo, la primera
componente principal está muy afectada por la estandarización. Cuando la primera
componente obtenida a partir de R se expresa en términos de X 1 y X 2 , las magnitudes
relativas de las ponderaciones 0.707 y 0.0707 están en directa oposición con las ponderaciones
0.040 y 0.999 conseguidas en las componentes principales de S •
El ejemplo anterior demuestra que las componentes principales derivadas de S son diferentes
de las derivadas de R . Esto sugiere que la estandarización no es intrascendente.
Las variables deberían ser estandarizadas si son medidas en escalas con rangos muy diferentes
o si las unidades de medidas no son proporcionadas. Por ejemplo, si X 1 representa las ventas
Ejemplo 9.4
Un censo reciente proporciona información sobre 5 variables socio-económicas. Los datos
sobre 14 regiones están dados en la siguiente tabla:
Regiones Población Años Empleo Empleo en Ingresos medios en
total medios total Sanidad hogar
(miles) en escuela (miles) (cientos) (10.000€)
1 5,935 14,2 2,265 2,27 2,91
2 1,523 13,1 0,597 0,75 2,62
3 2,599 12,7 1,237 1,11 1,72
4 4,009 15,2 1,649 0,81 3,02
5 4,687 14,7 2,312 2,50 2,22
6 8,044 15,6 3,641 4,51 2,36
7 2,766 13,3 1,244 1,03 1,97
8 6,538 17,0 2,618 2,39 1,85
9 6,451 12,9 3,147 5,52 2,01
10 3,314 12,2 1,606 2,18 1,82
11 3,777 13,0 2,119 2,83 1,80
148
12 1,530 13,8 0,798 0,84 4,25
13 2,768 13,6 1,336 1,75 2,64
14 6.585 14.9 2.763 1.91 3.17
¿Se puede resumir la variación muestral mediante una o dos componentes principales?
Como los valores de las variables se mueven en un rango parecido, utilizaremos la matriz de
covarianzas.
COEFICIENTES PARA LAS COMPONENTES PRINCIPALES
(Coeficiente correlación entre paréntesis)
Variable φ1 φ2 φ3 φ4 φ5
Población Total 0.781 (0.99) -0.71 (-0.04) 0.004 0.542 -0.302
Años medios Escuela 0.306 (0.61) -0.764 (-0.76) -0.162 -0.545 -0.010
Empleo Total 0.334 (0.98) 0.083 (0.12) 0.015 0.050 0.937
Empleo Sanidad 0.426 (0.80) 0.579 (0.55) 0.220 -0.636 -0.173
Ingresos Medios -0.054 (-0.20) -0.262 (-0.49) 0.962 -0.051 0.024
Varianza ( λi ) 6.931 1.786 0.390 0.230 0.014
La primera componente principal explica el 74.1% de la varianza muestral total. Las dos
primeras componentes explican el 93.2%. En consecuencia, la variación muestral se resume
muy bien mediante dos componentes y la reducción en los datos va de 14 observaciones de 5
variables a 14 observaciones de dos componentes.
Fijándonos en los coeficientes, la 1ª componente es una media ponderada de las 4 primeras
variables. En la 2ª componente aparece contraste entre el empleo en sanidad y una media
ponderada de la población total, los años medios en el colegio y los ingresos medios.
Las salidas del SPSS, utilizando la matriz de covarianza, son las siguientes:
149
Matriz de componentes(a)
Bruta Reescalada
Componente Componente
1 1
PobTotal 2,057 ,991
AñosMedios ,805 ,605
EmpleoTotal ,881 ,984
EmpleoSanidad 1,122 ,799
IngresosMedios -,143 -,201
Método de extracción: Análisis de componentes principales.
a 1 componentes extraídos
Dividiendo estas cantidades entre la raíz cuadrada de primer valor propio (6,931) obtenemos
los coeficientes de la primera componente principal. La correlación entre la primera
componente y las variables originales la podemos leer en la columna denominada
“reescalada”. El porcentaje de varianza que explica esta variable es el siguiente:
Varianza total explicada
Sumas de las saturaciones al cuadrado
de la extracción
% de la
Componente Total varianza % acumulado
Bruta 1 6,931 74,133 74,133
Método de extracción: Análisis de Componentes principales. •
Por ejemplo, en el ejemplo 9.3 el coeficiente de Z 2 en Y1 es muy pequeño 0,0707 pero sin
embargo el coeficiente de correlación lineal entre ambas variables es 0,837.
Ejemplo 9.5
En un estudio de tortugas se les mide la longitud, la anchura y la altura del caparazón (en
milímetros). Los datos son los siguientes:
Longitud Anchura Altura
98 81 38
103 84 38
103 86 42
105 86 42
109 88 44
123 92 50
123 95 46
133 99 51
133 102 51
133 102 51
134 100 48
136 102 49
150
138 98 51
138 99 51
141 105 53
147 108 57
149 107 55
153 107 56
155 115 63
155 117 60
158 115 62
159 118 63
162 124 61
177 132 67
Los datos sugieren un análisis en términos de logaritmos (suaviza la serie).
Las salidas del SPSS son:
Estadísticos descriptivos
Desviación
Media típica N del análisis
lnLONGITUD 4,9007 ,16250 24
lnANCHURA 4,6229 ,12724 24
lnALTURA 3,9403 ,15792 24
Varianza total explicada
151
La 1ª componente principal, que explica el 98,06% de la varianza total, tiene una interesante
interpretación:
y1 = 0.627 ln(long ) + 0.490 ln(anchura ) + 0.603ln(altura )
= ln ( long 0.627 anchura 0.490 altura 0.603 )
La primera componente principal puede ser vista como el ln(volumen) de una caja con
dimensiones ajustadas. Por ejemplo, la altura ajustada es altura 0.607 , lo cual tiene en cuenta,
en algún sentido, la forma redondeada del caparazón. •
Es muy frecuente que la primera componente haga referencia al tamaño (todos los coeficientes
de la combinación lineal son posistivos) y la segunda a la forma (se enfrentan coeficientes
negativos y positivos en la combinación lineal, como ocurre aquí con la segunda componente).
Un inusual valor pequeño en el último valor propio para la matriz de covarianzas o la matriz
de correlación puede indicar una dependencia lineal no anunciada en el conjunto de los datos.
Si esto ocurre, una o más de las variables son redundantes y pueden ser eliminadas.
Consideremos una situación donde x1 , x2 y x3 son puntuaciones de test y la puntuación total
Ejemplo 9.6
Veamos un caso en el que uno de los autovalores es cero y estudiaremos sus consecuencias.
Supongamos que la matriz de covarianza ya está calculada, y es:
4.5 1.5
S =
1.5 0.5
Sus valores propios son λ1 = 5 y λ2 = 0 . Los vectores propios asociados a estos valores son:
0.95 0.32
φ1 = φ2 =
0.32 −0.95
152
La interpretación geométrica del nuevo sistema de coordenadas ( Y1 , Y2 ) respecto al original
( X 1 , X 2 ) en base a los vectores propios se detalla en la siguiente figura
Y1 = 0.95 X 1 + 0.32 X 2
Y2 = 0.32 X 1 − 0.95 X 2
5 0
SY =
0 0
tr ( S ) = 4.5 + 0.5 = 5
tr ( SY ) = 5 + 0 = 5
Observe que en este caso, al ser λ2 = 0 significa que la varianza de los datos en Y2 es cero lo
que se interpreta como que los datos están perfectamente alineados en la dirección de Y1 . En
otras palabras, el eje Y2 es innecesario.
153
154
EJERCICIOS
155
2. Muestreo Aleatorio Simple
1. Un auditor examina las cuentas abiertas con diferentes clientes de una empresa. Suponga
que existen 1.000 cuentas de las cuales se examinan 300. La media muestral de las cuentas
fue y = 1.040€ y la varianza muestral (“cuasivarianza”) es S2=45.000€2. Estime el
promedio de la deuda y el total de la deuda por cobrar para las 1.000 cuentas abiertas con
un intervalo de confianza al 95%.
Solución: µ ∈ (1.040 ∓ 20, 49 ) = (1.019,51 , 1.060, 49 )
∑y i ∑z i
Solución p1 = i =1
= 0, 70 (70%) p2 = i =1
= 0, 25 (25%)
100 100
157
Solución: pˆ = 0,1833; B = 0,0958
8. El gerente de un taller de maquinaria desea estimar el tiempo medio que necesita un
operador para terminar una tarea sencilla. El taller tiene 45 operadores. Se seleccionaron
aleatoriamente 5 operadores y se les tomó el tiempo. Los resultados obtenidos son los
siguientes:
Tiempo(minutos) 4,2 5,1 7,9 3,8 5,3
¿Se puede aceptar la hipótesis de que el tiempo medio que necesitan los operarios del
taller para terminar dicha tarea es inferior a 6 minutos?
Solución: INTERV . CONF .: ( 3,91 min ., 6, 61 min.) Valores mayores e igual a 6 minutos
∑ Y = 1.450; ∑ Y
i =1
i
i =1
i
2
= 54.496
¿Cuál sería la previsión más optimista y más pesimista en cuanto al número total de
firmas recogidas para la petición?
Solución: ( 20.300 ∓ 3.040, 66 ) = (17.259,34 , 23.340, 66 )
Previsión más optimista: 23.340 ; previsión más pesimista: 17.259
158
12. Una muestra aleatoria de 30 familias fue extraída de una zona de cierta ciudad que
contiene 14.848 familias. El número de personas por familia en la muestra obtenida fue el
siguiente:
5 6 3 3 2 3 3 3 4 4 3 2 7 4 3
5 4 4 3 3 4 3 3 1 2 4 3 4 2 4
Estimar el número total de personas en la zona, construyendo un intervalo de confianza al
95%.
Solución: (44.842,09, 58.104,04 )
13. Un hipermercado desea estimar la proporción de compras que los clientes pagan con su
“Tarjeta de Compras”. Durante una semana observaron al azar 200 compras de las cuales
35 fueron pagadas con la tarjeta.
a) Estime con un intervalo de confianza la proporción de compras pagadas con dicha tarjeta.
b) ¿Cuantas compras deberían observarse para estimar, con un error inferior al 3%, la
proporción de compras pagadas con la tarjeta? (Consideren los datos anteriores como una
muestra previa)
c) Este mismo hipermercado desea estimar también el valor medio de las compras realizadas
con su “Tarjeta de Compras”. Basándose en los anteriores datos observa que el valor total
de las compras hechas con la tarjeta fue de 5.600€ (siendo la cuasivarianza de los datos
625). Estime el valor medio de las compras pagadas con la tarjeta y el error de estimación
asociado.
pq ⌢
Solución: a) p ∈ (12,11% , 22,89% ) . b) n = = 641, 6 ≈ 642 .
D
1 n 5600
c) y = ∑
n i =1
yi =
35
= 160€ B = 2 V ( y ) = 8, 45€
14. Entre todas las oficinas bancarias de una pequeña ciudad se tienen concedidos 2000
préstamos hipotecarios. Existen razones para pensar que el préstamo hipotecario de menor
cuantía es de algo más de 1200 euros, siendo de casi 11000 euros el de mayor cuantía.
¿cuál es el tamaño muestral necesario para estimar estos dos parámetros:
- la cuantía media de los prestamos cometiendo un error de estimación menor de 400
euros y
- la proporción de préstamos pendientes de amortizar más de la mitad de la deuda
cometiendo un error máximo del 5%?
Solución: n = 139, 65 ≈ 140 n = 333, 47 ≈ 334
159
15. Se desea estimar el salario medio entre los empleados de una empresa y la proporción de
empleados que apoyan a la actual directiva. La empresa tiene 110 empleados y se sabe que
el salario está comprendido entre los 1500 y 1800 euros mensuales. ¿Cuál debe ser el
tamaño muestral para que al estimar el salario medio la cota de error se sitúe en 10 euros y
al estimar la proporción de los que apoyan a la actual directiva el error máximo cometido
sea del 2%?
Solución: n = 74,1 ≈ 75 n = 105, 4 ≈ 106
16. Una empresa de trabajo temporal quiere investigar las necesidades de empleo de las
empresas de un pueblo. Para ello decide seleccionar una muestra de 5 de las 25 inscritas en
el registro mercantil. El número de bajas en el último año, el número de empleados y la
respuesta de cada empresa sobre si utilizaría los servicios de la empresa de trabajo
temporal fueron los siguientes:
Empresa Bajas Empleados Respuesta
1 1 7 Si
2 2 15 No
3 9 85 Si
4 0 3 No
5 2 12 No
a) Estime el número de bajas en el último año en las empresas del pueblo. Calcule
el límite para el error de estimación.
b) Estime el número de empresas que usarían los servicios ofertados. Calcule el
límite para el error de estimación.
160
un error inferior a 100€ y el salario medio de los contratos temporales con un error inferior
a 120€?
Solución: n1 = 25 n2 = 25 n = n1 + n2 = 50
19. Se selecciona una m.a.s. de 9 compras de clientes de un centro comercial para estimar el
valor medio de las compras por cliente.
VALOR en € 33,5 32 52 43 40 41 45 42,5 39
a) Obtener un intervalo de confianza para el valor medio de las compras.
b) ¿Podemos aceptar que la compra media es de 45€?
c) ¿Qué tamaño muestral deberíamos tomar para que el LEE sea de 2€?
Solución: a) ( 40,89 − 3,98 ; 40,89 + 3,98 ) = ( 36,91; 44,87 )
que en el 25% de los hogares de esa ciudad habita al menos una persona mayor de 65
años.
21. El consumo medio de combustible de los taxis de una ciudad es 5,6 litros cada 100 Km.
Puesto que se considera que el consumo es demasiado elevado, en 600 taxis se monta un
dispositivo para disminuirlo. Pasado cierto tiempo se toma una muestra aleatoria de 20
taxis, elegidos entre los 600 que colocaron el dispositivo. El consumo en litros de
combustible por cada 100 Km se recoge en la siguiente tabla
Taxi nºConsumo Taxi nº Consumo Taxi nº Consumo Taxi nº Consumo
1 5,4 6 6,3 11 3,6 16 5,4
2 5,5 7 5,4 12 6,7 17 4,8
3 6,9 8 5 13 5,2 18 4,7
4 3,9 9 4,5 14 5,1 19 5,8
5 4,5 10 4,4 15 5,4 20 6,2
a) Estímese mediante un intervalo de confianza la proporción de taxis con un
consumo inferior a 5,6 litros/100 Km.
b) ¿Cuantos taxis deben observarse para estimar la anterior proporción con un error
menor o igual que un 10%?
161
Solución: (a) ( 55'47%, 94 '53% ) (b) n = 66, 77 ≅ 67
Estime el consumo anual medio por hogar y fije un límite para el error de estimación.
4
Ni
Solución: y st = ∑ y i = 500, 5€ 2 V ( y st ) = 18, 79 €
i =1 N
2. Una gran empresa sabe que el 40% de las facturas que emite son al por mayor y el 60% al
por menor. Sin embargo, identificar las facturas individuales sin consultar un archivo es
complicado. Un auditor desea muestrear 100 de sus facturas para estimar el valor medio
de las facturas de la empresa (Nota para estimar el total necesitaríamos conocer N). Una
muestra aleatoria simple presentó 70 facturas al por mayor y 30 al por menor. Los datos
162
son separados en facturas al por mayor y al por menor después del muestreo, con los
siguientes resultados en €:
Por mayor Por menor
Valor total facturas=36400€ Valor total facturas=8400€
n1 = 70 y1 = 520€ S1 = 210€ n2 = 30 y 2 = 280€ S2 = 90€
Estime el valor medio de las facturas de la empresa, y fije un límite para el error de
estimación.
Solución: yst = 376€; B = 28,14€
3. Una inspectora de control de calidad debe estimar la proporción de circuitos integrados de
ordenador defectuosos que provienen de dos diferentes operaciones de ensamble. Ella
sabe que de entre los circuitos integrados que van a ser inspeccionados, 60% procede de la
operación de ensamble A y 40% de la operación de ensamble B. En una muestra aleatoria
de 100 circuitos integrados resulta que 20 provienen de la operación A y 80 de la
operación B. De entre los circuitos integrados muestreados de la operación A, 2 son
defectuosos. De entre las piezas muestreadas de la operación B, 16 son defectuosas.
a) Considerando únicamente la muestra aleatoria simple de 100 circuitos
integrados, estime la proporción de los defectuosos en el lote, y establezca un
límite para el error de estimación.
b) Estratifique la muestra, después de la selección, en circuitos integrados
provenientes de la operación A y B, estime la proporción de los defectuosos en
la población, y fije un límite para el error de estimación.
c) ¿Qué respuesta encuentra más aceptable? ¿Por qué?
Solución:
18
a. p = = 0,18 (18%) 2 V ( p ) = 0, 0772 ( 7, 72% )
100
1 L L
Ni 2 16
b. p st = ∑ Ni pi = ∑ p i = 0, 60 + 0, 40 = 0,14 (14% )
N i =1 i =1 N 20 80
2 V ( p st ) = 0, 0901 ( 9, 01% )
c) Aunque en el conjunto de la población hay más elementos que proceden de A (60%)
que de B (40%), la muestra global no representa adecuadamente este hecho,
predominando los elementos de B (80) frente a los de A (20), esto ocasiona que en el
163
( p1 = 0,10 ). En el apartado b. este hecho se corrige dando a p1 y p 2 las
ponderaciones 0,60 y 0,40 respectivamente para estimar p.
4. Una cadena de restaurantes tiene 100 establecimientos en Madrid, 70 en Barcelona y 30
en Sevilla. La dirección está considerando añadir un nuevo producto en el menú. Para
contrastar la posible demanda de este producto, lo introdujo en el menú de muestras
aleatorias de 10 restaurantes de Madrid, 5 de Barcelona y 5 de Sevilla. Usando los índice
1, 2 y 3 para designar Madrid, Barcelona y Sevilla, respectivamente, las medias y las
desviaciones típicas muestrales del número de pedidos de este producto recibidos por
restaurante en las tres ciudades durante una semana fueron:
y1 = 21, 2 S1 = 12
y2 = 13, 3 S 2 = 11
y3 = 26,1 S3 = 9
a) Estimar el número medio de pedidos semanales por restaurante para los
restaurantes de la cadena. Dar un límite del error de estimación.
b) Determinar el tamaño muestral y la asignación para repetir el estudio anterior
cometiendo un error inferior a 3 pedidos.
Solución:
L
1 3834
a. y st =
N
∑N y
i =1
i i =
200
= 19,17 pedidos / semana
2 V ( y st ) = 5, 02 pedidos / semana
2
B 92 (∑ N σ )
L
i i
b. D = = = 2, 25 n= i =1
L
= 43,52
4 4
N D + ∑ N iσ
2
i
2
i =1
n1 = 23,31 ≈ 24 n2 = 14,96 ≈ 15 n3 = 5, 24 ≈ 6 n = 45
5. De las 1.395 universidades de Estados Unidos, 364 imparten estudios universitarios de
dos años y 1.031 estudios universitarios de cuatro años. Se recogieron de manera
independiente, una muestra aleatoria simple de 40 universidades con estudios de dos años
y otra de 60 con estudios de 4 años. Las medias muestrales y las desviaciones típicas del
número de estudiantes matriculados el pasado año en asignaturas de estadística aparecen a
continuación.
Carreras de 2 años Carreras de 4 años
Media 154,3 411,8
Desviación típica 87,3 219,9
164
a) Estimar el número total de estudiantes matriculados en asignaturas de estadísticas. Dar
un límite de error de estimación.
b) En el estudio del ejercicio anterior, se investigó también en qué proporción de las
universidades la asignatura de estadística para economistas era impartida por
miembros del departamento de economía. En la muestra se halló que en 7 de las
universidades con carreras de dos años y en 13 de las que tienen carreras de cuatro
años sucedía esto. Estimar la proporción de universidades en las que esta asignatura es
impartida por profesores del departamento de economía. Dar un límite de error de
estimación.
Solución: (a) τˆst = 480.731; B = 57.594,84 (b) pˆ st = 0,2058; B = 0,0826
6. Una compañía de autobuses está planeando una nueva ruta para dar servicio a cuatro
barrios. Se tomaron muestras aleatorias de hogares en cada barrio y se solicitó a los
miembros de la muestra que valorasen en una escala de 1 (totalmente opuesto) a 5
(totalmente a favor) su opinión sobre el servicio propuesto. Los resultados se resumen en
la tabla adjunta:
Barrio
1 2 3 4
N i 240 190 350 220
ni 25 25 25 25
y i 3,5 3,6 3,9 3,8
S i 0,8 0,9 1,2 0,7
a) Halle un intervalo de confianza para la opinión media de los hogares que dispondrán
del nuevo servicio.
b) Si se asigna la muestra de 100 hogares de la mejor forma, determine cuántos
pertenecerían al barrio 3. (Suponga iguales los costes de observación)
Solución: (a) yst = 3, 725; B = 0,1973; (3,5277 ; 3, 9223) (b) n3 = 44,82 ≈ 45
7. Una universidad tiene 152 profesores ayudantes, 127 profesores asociados y 208
profesores titulares. Una reportera del periódico de los estudiantes quiere averiguar si los
profesores están realmente en sus despachos durante las horas de tutorías. Decide
investigar muestras de 40 profesores ayudantes, 40 asociados y 50 titulares. Algunos
estudiantes voluntarios llamaron a la puerta de los profesores de la muestra durante sus
horas de tutorías. Se halló que 31 de los profesores ayudantes, 29 de los asociados y 34 de
los titulares se encontraban realmente en sus despachos. Hallar un intervalo de confianza
para la proporción de profesores que permanecen en sus despachos durante las horas de
tutorías.
Solución: pˆ st = 0,7214; B = 0,0685
165
8. Un auditor quiere estimar el valor medio de las facturas por cobrar de una compañía. La
población se divide en cuatro estratos que contienen 500, 400, 300 y 200 facturas,
respectivamente. Basándose en una experiencia previa, se estima que las desviaciones
típicas en estos estratos son de 15, 20, 30 y 40 euros, respectivamente. Determinar el
tamaño muestral y la asignación para estimar el valor medio de las facturas por cobrar
cometiendo un error de como mucho 5 euros.
Solución: n1 = 18,59; n 2 = 19,83; n3 = 22,31; n 4 = 19,83; n = 80,55
9. Un ayuntamiento está interesado en ampliar las instalaciones de un centro de atención
diurna para niños. Se va a realizar una encuesta para estimar la proporción de familias con
niños que utilizarán las instalaciones ampliadas. Las familias están dividas en aquellas que
en la actualidad usan las instalaciones y las que aún no la usan. Aproximadamente el 90%
de los que usan las instalaciones y el 50% de los que no las usan van a utilizar las nuevas
instalaciones. Los costos por efectuar la observación de un cliente actual es de 4€ y de 8€
para uno que no lo es. Registros existentes nos dan que existen 97 familias que en la
actualidad utilizan las instalaciones y 145 que no lo hacen.
a) Encuentre el tamaño muestral aproximado y la asignación necesaria para estimar la
proporción poblacional con un límite de 0,05 para el error de estimación.
b) Suponga que el costo total de muestreo se fija en 400 € . Elija el tamaño de la
muestra y la asignación que minimiza la varianza del estimador para este costo fijo.
Solución: (a) n1 = 47; n2 = 83; n = 130 (b) n1 = 22; n2 = 39; n = 61
10. De una ciudad con 350 casas, se sabe que 164 de ellas tienen calefacción eléctrica. Al
realizar una encuesta sobre el consumo de energía (en kilovatios-hora) se obtuvieron los
siguientes resultados:
Tipo Calefacción Nº casas Media muestral Cuasivarianza muestral
Eléctrica 24 972 202,396
No eléctrica 36 463 96,721
a) Obtenga una estimación del número medio de kilovatios-hora utilizado en la ciudad.
Dé un límite para el error de estimación.
b) Obtenga una estimación del número medio de kilovatios-hora utilizado por las casas
que no tienen calefacción eléctrica. Dé un límite para el error de estimación.
Solución: a. y st = 701,50 2 2,19 = 2,96 b. y 2 = 463 2 2,17 = 2, 94
11. Un analista de la opinión pública tiene un presupuesto de 20.000 euros para realizar una
encuesta sobre el número medio de coches por hogar. Se sabe que de los 10.000 hogares
de la ciudad, 9.000 tienen teléfono. Las entrevistas por teléfono cuestan 10 euros por
hogar llamado y las entrevistas personales cuestan 30 euros por hogar visitado. Suponga
166
que las varianzas en los estratos con y sin teléfono son iguales. Con el objetivo de
minimizar el límite de error de estimación ¿Cuántos hogares deben ser entrevistados en
cada estrato si los hogares que cuentan con servicio telefónico son entrevistados por
teléfono y los hogares sin teléfono son entrevistados personalmente?
Solución: n1 = 1677, 2 ≈ 1677 n2 = 107,59 ≈ 107 n = n1 + n2 = 1784
12. Se desea conocer el número de fines de semana que las familias de una gran ciudad salen
fuera de ella. Se sabe que el 42’5% de las familias tienen de 0 a 2 hijos, el 30% tienen de
3 a 5 hijos y el 27’5% tienen más de 5 hijos. Se realizó un muestreo según el número de
hijos y se preguntó a las familias sobre los fines de semana que pasan fuera, obteniéndose
los siguientes datos:
Número de hijos ni n
S i2
∑ yi
i =1
0-2 25 239 60’76
3-5 19 174 63’01
Mas de 5 16 78 78’24
Estimar el número medio de fines de semana que las familias pasan fuera de la ciudad y
dar el límite de error de estimación. Omitir el corrector por población finita. Solución:
y st = 8,15 2 1,107 = 2,1
13. En una población compuesta por aproximadamente igual número de hombres que de
mujeres se desea estimar el gasto medio mensual por habitante en ocio. Se lleva a cabo la
encuesta por teléfono mediante una muestra aleatoria simple de 500 números de teléfono
del citado municipio. Después de obtenidos los datos se observa que sólo 100 de los
encuestados fueron hombres y el resto mujeres. Por ello se decide llevar a cabo una
estratificación después de seleccionar la muestra obteniéndose los siguientes datos
HOMBRES MUJERES
Ni 2.500 2.700
ni 100 400
yi 120 250
Si2 9.000 16.000
Estime la media poblacional de gasto mensual en ocio y su cota de error, mediante
muestreo aleatorio estratificado después de seleccionar la muestra.
Solución: y st = 187,5 2 29,16 = 10,8
14. En una población compuesta por aproximadamente igual número de hombres que de
mujeres se desea estimar la proporción de individuos que ven un determinado programa
de televisión. Se lleva a cabo la encuesta por teléfono mediante una muestra aleatoria
simple de 300 números de teléfono. Después de obtenidos los datos se observa que sólo
167
50 de los encuestados fueron hombres y el resto mujeres. Por ello se decide llevar a cabo
una estratificación después de seleccionar la muestra obteniéndose los siguientes datos
HOMBRES MUJERES
Encuestados 50 250
Ven el programa 12 130
Estime la proporción de la población que ven el programa de televisión y su cota de error,
mediante muestreo aleatorio estratificado después de seleccionar la muestra.
15. Una corporación desea estimar el número total de horas perdidas debido a accidentes de
sus empleados, en un determinado mes. Ya que los obreros, técnicos y administrativos
tienen diferentes tasas de accidentes, la corporación decide usar muestreo estratificado,
formando con cada grupo un estrato. Datos de años previos sugieren las cuasivarianzas
mostradas en la siguiente tabla para el número de horas perdidas por empleado en los tres
grupos, y de datos actuales se obtienen los tamaños de los estratos. No habiendo
diferencia entre los costes de observación de cada grupo, determine la mejor asignación
para una muestra de 40 empleados.
Obreros Técnicos Administrativos
Si2 36 25 9
Ni 132 92 27
Solución:
n1 = 40 × 0,5941 = 23,8 ≈ 24 n2 = 40 × 0,3451 = 13,8 ≈ 14 n3 = 40 × 0, 0608 = 2, 4 ≈ 2
16. Se dispone de la siguiente información sobre tamaños poblacionales de los estratos, costes
de observación y estimaciones de las proporciones
Tamaño del estrato Coste de observación Proporciones en %
ESTRATO 1 5000 9 90
ESTRATO 2 2000 25 55
ESTRATO 3 3000 16 70
Determine la mejor asignación para una muestra de 200 observaciones.
Solución:
n1 = 200 × 0, 4795 = 95, 9 ≈ 96 n2 = 200 × 0,1909 = 38, 2 ≈ 38 n3 = 200 × 0,3296 = 65, 9 ≈ 66
17. En una ciudad se sabe que el 30% de los hogares tienen calefacción eléctrica. Al realizar
una encuesta sobre el consumo de energía (valor en euros de la factura bimensual) se
obtuvieron los siguientes resultados:
Tipo Calefacción Nº casas Valor total de las facturas desviación típica muestral
Eléctrica 60 5730 200
No eléctrica 40 2080 90
168
Obtenga una estimación del valor medio de la factura de electricidad en la ciudad. Dé un
límite para el error de estimación.
2 2
1 Ni
Solución: y st =
N
∑N y =∑ N
i =1
i i
i =1
y i = 65, 05€ 2 V ( y st ) = 25,24€
B2 250.000
(∑ N σ )
L
i i
D= 2
= = 0, 0625 n= i =1
L
= 71, 66
4N 4.000.000
N D + ∑ N iσ
2
i
2
i =1
20. Una empresa especializada en seguros está pensando en ofrecer sus servicios a las
empresas de los polígonos industriales de una ciudad. Para ajustar sus tarifas desea
estimar el gasto de dichas empresas en pequeñas reparaciones de mantenimiento (objeto
del seguro). Se clasifican las empresas en función de su tamaño. El número de empresas
de cada tipo, el coste de obtención de esta información en cada empresa así como los
valores mínimos, medios y máximos de un estudio similar hecho hace dos años se
expresan en la siguiente tabla (los costes y gastos están expresados en euros)
169
Tipo de Número de Costes de Gastos de reparación
empresa empresas observación Mínimo Media Máximo
A 100 16 400 500 600
B 500 9 240 300 360
C 700 4 70 100 130
Si la empresa de seguros dispone de hasta 600 € para llevar a cabo la estimación, ¿cuántas
empresas de cada tipo tiene que observar para conseguir que sea mínimo el error de
estimación asociado?
Solución: n1 = 8; n 2 = 34; n3 = 36; n = 78 (8 x6 + 34 x9 + 36 x 4 = 578€)
21. En un centro escolar se quiere realizar una encuesta para conocer la proporción de padres
que estarían dispuestos a participar en actividades. Se quiere estimar la proporción de
padres tanto a nivel global como para cada grupo de edad de los alumnos por lo que se
decide estratificar según la edad de los alumnos. A partir de la información proporcionada
por la siguiente tabla, obtener el número óptimo de padres que, de cada estrato, hay que
encuestar para que la proporción de participación de los padres con hijos de edades entre 6
y 8 años sea estimada con un error menor o igual al 10%. (Suponemos que cada padre
tiene un solo hijo en el centro)
Años Alumnos Porcentaje de participación en años Coste de encuestar a un
matriculados anteriores elemento
4-6 150 40% 4
6-8 130 30% 9
8-12 120 25% 16
12-14 100 20% 25
Sol. n = 200,3; n1 = 94,84 ≅ 95; n 2 = 51,27 ≅ 52; n3 = 33,53 ≅ 34; n 4 = 20,65 ≅ 21 ⇒ n = 202
22. El coste de transportar mercancías en avión depende del peso. Un determinado embarque
de una fábrica consistía en las máquinas producidas por la citada fábrica a lo largo de las
dos últimas semanas. Se decide estratificar basándose en las semanas, con el fin de
observar si existe variación semanal en la cantidad producida. Las muestras aleatorias
simples de los pesos (en kilos) de las máquinas transportadas en el embarque, para las dos
semanas, mostraron las siguientes mediciones:
Semana A Semana B
58,3 59,2
60,4 60,1
59,3 59,6
58,7 59,2
59,1 58,8
59,6 60,5
170
a. Estimar el peso total del embarque de maquinaria, sabiendo que el número total de
máquinas producidas ha sido de 162 en la semana A y de 170 en la semana B.
b. Obtenga un intervalo de confianza para el peso total del embarque de maquinaria.
c. Determinar el tamaño de la muestra y su asignación, en el caso de que se quiera
estimar el peso total del embarque, con un límite para el error de estimación de 50
kg. Las dispersiones en los pesos se suponen diferentes de una semana a otra.
Considere las muestras anteriores como muestras previas para estimar los
parámetros necesarios.
Solución: (a) τˆ = 19.722,13 (b) (19.593'71, 19.850'56)
Tamaño muestra n1 = 14 n2 = 9 n3 = 21 n4 = 6
Nº cuentas no cobradas 4 2 8 1
a. Estime la proporción de cuentas no cobradas para la cadena y fije un límite para el
error de estimación.
b. Utilice los datos anteriores para determinar la asignación y el tamaño de la muestra
necesarios para estimar la proporción de cuentas no cobradas, con un límite del
error de estimación del 5%.
Solución: (a) pˆ = 0,30; B = 0,1173
(b) n = 132,30; n1 = 38,35 ≅ 39; n 2 = 22,80 ≅ 23; n3 = 58,98 ≅ 59; n 4 = 12,17 ≅ 13 ⇒ n = 134
24. Una escuela desea estimar la calificación media que puede obtener en el examen final de
matemáticas en este curso. Los estudiantes de la escuela se agrupan en tres estratos según
el tipo de aprendizaje, clasificado como N=Normal, A=Avanzado, L=Lento. En el
presente curso, la distribución de los alumnos según el tipo de aprendizaje es 50 normal,
30 avanzado y 20 lento, la calificación media de los estudiantes según el tipo de
aprendizaje fue en el primer examen parcial: 75 para el normal, 89 para el avanzado y 70
para el lento, con unas cuasivarianzas de 80, 30 y 40 respectivamente.
Para actualizar esta información, se tomó una muestra aleatoria de estudiantes, se les hizo
el examen final de matemáticas y se obtuvieron las siguientes calificaciones (entre
paréntesis, el tipo de aprendizaje de cada estudiante):
171
70(L) 88(A) 72(N) 85(N) 90(N) 82(A) 61(N) 92(N) 65(L) 87(A)
91(A) 81(N) 79(N) 63(L) 82(N) 75(N) 78(A) 71(L) 61(L)
Se pide:
25. Se desea estimar el salario medio de los empleados de una empresa. Se decide
clasificarlos en dos estratos: los que tienen contrato fijo y los que poseen un contrato
temporal. Los primeros son 143 y su salario varía entre 1500 y 2500 euros mensuales. Los
contratos temporales son 320 y su salario está comprendido entre 700 y 1800 euros
mensuales. ¿Cuál debe ser el tamaño de la muestra y su asignación para que al estimar el
salario medio mensual el error de estimación sea inferior a 100 euros?
Solución: Neyman n = 26,91 n1 = 7, 77 ≅ 8 n2 = 19,14 ≅ 20 ⇒ n = 28
172
4. Estimación de Razón, Regresión y Diferencia
1. Se desea estimar el consumo mensual de una ciudad. Se sabe que los ingresos en dicha
ciudad, vía declaración de la renta, ascienden a 1.502.530 euros mensuales. Se realiza una
encuesta entre 12 hogares elegidos al azar y los resultados de renta y consumo se recogen
en esta tabla.
Renta Consumo
1.702,44 1.204
1.339,56 1.000
981,06 800
2.537,04 1.800
1.519,85 1.200
3.080,19 2.600
1.502,53 1.080
1.702,87 1.240
1.402,36 1.000
1.803,04 1.400
2.053,46 1.484
3.005,06 2.000
Estime el consumo total mensual para todos los hogares de la ciudad mediante el
estimador de razón. De el LEE.
Solución: τˆy = 1.116.002, 07€; B = 59.053,37€
2. Mediante una tasación previa se desea estimar la producción media y la producción total
de los 750 socios de una cooperativa agrícola. Se sabe que el total de superficie plantada
es de 3.840 hectáreas. Se realizó un sorteo entre los socios para elegir a 20 de ellos a los
que se les preguntó por la superficie plantada y se les tasó su producción. Los resultados
fueron:
Superficie Producción
3,7 12
4,3 14
4,1 11
5 15
5,5 16
3,8 12
8 24
5,1 15
5,7 18
6 20
3 8
7 20
5,4 16
4,4 14
173
5,5 18
5 15
5,9 18
5,6 17
5 15
7,2 22
a) Estimar la producción media y total mediante los estimadores de razón y m.a.s. Dar
sus respectivos LEE y compararlos.
b) Supongamos que queremos reducir el LEE de la media a 0,25 toneladas y el LEE del
total no debe superar las 200 toneladas ¿a cuántos socios se les debe tasar su
producción antes de realizar una nueva estimación?
Solución:
(a) razón : µˆ y = 15,57 tm; Bµ = 0, 37 tm; τˆy = 11.680, 61 tm; Bτ = 278,14 tm
(b) 43 socios para estimar la media, 38 socios para estimar el total, se toma el máximo
n=43.
3. Para un grupo de 1.000 pequeños establecimientos se desea realizar un estudio sobre la
media y el total de ventas diarias. Se tiene información de que, por término medio, el
gasto en publicidad es de 5 euros. Se elige al azar una muestra de 18 establecimientos y se
les toma dato de su gasto en publicidad diaria y sus ventas diarias. Los resultados son:
Gastos Ventas
3,7 120
4,3 140
4,1 135
5 150
5,5 160
3,8 120
8 160
5,1 150
5,7 125
6 130
0 80
7 150
5,4 150
4,4 120
5,5 140
5 150
5,9 150
6,6 170
a) Estimar la media y el total de ventas diarias utilizando estimadores de
regresión. Dar LEE.
174
b) Se quiere repetir el estudio anterior de forma que la estimación del total no
supere los 1.000 euros ¿cuál debe ser el tamaño muestral?
Solución: (a) µˆ yL = 138,31€; B µ = 5,56€; τˆ yL = 138.314,38€; Bτ = 5.559,76€
Estimadores de razón
y
r= = 0,879 τˆy = rτ x = 87.900€ µˆ y = r µ x = 439, 5€
x
Bµ = 9, 3€ Bτ = 1.860,46€
Estimadores de regresión
µˆ yL = 437,515€ τˆyL = N µˆ yL = 87.503€
Estimadores de diferencia
µˆ yD = 437, 5€ τˆyD = N µˆ yD = 87.500€
175
Bµ = 2 Vˆ ( µˆ yD ) = 2,179 Bτ = NBµ = 435,8899
(b) 20 establecimientos
5. Una encuesta de consumo fue realizada para determinar la razón de dinero gastado en
alimentos sobre el ingreso por año, para las familias de una pequeña comunidad. Una
muestra aleatoria de 14 familias fue seleccionada de entre 150. Los datos de la muestra se
presentan en la siguiente tabla:
Familia Ingreso Total Gasto en alimentos
1 25100 3800
2 32200 5100
3 29600 4200
4 35000 6200
5 34400 5800
6 26500 4100
7 28700 3900
8 28200 3600
9 34600 3800
10 32700 4100
11 31500 4500
12 30600 5100
13 27700 4200
14 28500 4000
Estime la razón poblacional, y establezca un límite para el error de estimación.
Solución: r = 0,1467; B = 0,0102
6. Una cadena de electrodomésticos está interesada en estimar el total de ganancias por las
ventas de televisores al final de un periodo de tres meses. Se tienen cifras del total de
ganancias de todas las tiendas de la cadena para ese mismo periodo de tres meses
correspondiente al año anterior, ese total es de 128.200 €. Una muestra aleatoria simple de
5 tiendas es seleccionada de las 123 tiendas de la cadena resultando los datos de la
siguiente tabla:
Oficinas Datos de 3 meses del año anterior Datos de 3 meses del año actual
1 550 610
2 720 780
3 1500 1600
4 1020 1030
5 620 600
a) Usando un estimador de razón, estime el total de ganancias con un intervalo de
confianza.
b) Utilizando un estimador de regresión y un estimador de diferencia, estime las
ganancias medias y establezca un límite para el error de estimación.
Solución: a) τ y ∈ (129940, 67 , 138668,85 )
176
b) µˆYL = 1.094, 53; B = 40, 46 ; µˆYD = 1.084, 28; B = 41, 28 .
177
Bienes Raíces 198,3 221,2
Servicios de Salud 99,2 114,0
Servicios de Educación 15,4 17,0
(a) Encuentre el estimador de razón del ingreso total de 1981, y establezca un límite
para el error de estimación.
(b) Encuentre el estimador de regresión del ingreso total de 1981, y establezca un
límite para el error de estimación.
(c) Encuentre el estimador de diferencia del ingreso total de 1981, y establezca un
límite para el error de estimación.
(d) ¿Cuál de los tres métodos es el más apropiado en este caso?¿Por qué?
Solución: (a) τˆY = 2.433,30; B = 45,95 (b) τˆYL = 2.432,91; B = 48,64
(c) τˆY = 2.455,90; B = 180,07
9. En una población de 500 hogares, para la que es conocido que el gasto total general
durante un año es de 15.000.000 €, se quiere estimar el gasto total en alimentación durante
un año, para lo que se obtiene una muestra aleatoria simple de 4 hogares que proporciona
los siguientes valores anuales en €:
Gasto en alimentación 12.500 15.000 10.000 17.500
Gasto general 24.000 31.000 20.000 36.000
Antes de calcular el estimador, ¿cree que es útil utilizar esta información auxiliar?,
justifíquese. Estime con un estimador de razón el total de gasto en alimentación mediante
un intervalo de confianza.
Solución: τ y ∈ ( 7.205.693€ ; 7.659.172€ )
10. Las diferencias entre ingresos y gastos, en 5 de las 250 oficinas que tiene abiertas una
agencia de seguros, en el presente mes, han sido (en euros)
570 721 650 650 569
Este mes el gasto medio para el conjunto de todas las oficinas ha sido 12764 euros,
estime el total de ingresos y el límite para el error de estimación.
Solución: τɵ yD = N µ yD = 3349000 €
N − n S D2 S2
V (τɵ yD ) = N 2 = N ( N − n ) D = 50169875 € 2 2 V (τɵ yD ) = 14166,14 €
N n n
11. Se desea conocer las ventas medias (en euros / habitante) en este año de un determinado
producto en un municipio formado por un pueblo A con 291 habitantes y un pueblo B con
200 habitantes. Se sabe que las ventas medias en ese municipio el año pasado fueron de
170 euros / habitante. Tomamos una muestra aleatoria de 4 habitantes del pueblo A y otra
de 3 habitantes del pueblo B para los que se conoce su consumo del producto bajo estudio
(expresado en euros), este año (Y) y el año pasado (X):
178
Pueblo A Pueblo B
xi yi xi yi
204 210 137 150
143 160 189 200
82 75 119 125
256 280
a. Sin hacer distinción entre pueblos, estime las ventas medias para este año
utilizando un estimador de razón. Dé un límite para el error de estimación.
b. ¿Qué se obtiene si no se tiene en cuenta los datos del año pasado pero si el
pueblo?
c. ¿Qué se obtiene si no se tiene en cuenta los datos del año pasado ni se hace
distinción entre pueblos?
d. Compare los estimadores que se obtienen en cada caso justificadamente.
Solución: (a) µˆ = 180,53; B = 5,69 (b) µˆ = 171,91; B = 53,81 (c) µˆ = 171,43; B = 49,53
(d) La mejor estimación es en la que se usa el estimador de razón, por la fuerte relación
entre las variables. El muestreo estratificado se comporta mal porque los estratos no son
homogéneos.
12. Se desea estimar el agua utilizada en la presente campaña por una comunidad de riego
constituida por 250 parcelas. Se seleccionan al azar 10 parcelas cuyo tamaño y litros
utilizados en riego aparecen en la siguiente tabla
Litros 600 1800 750 900 1100 1400 950 700 1000 720
Hectáreas 50 150 60 70 100 120 80 60 90 60
Estime la media de litros/hectárea que utiliza la comunidad de regantes y la cota del error
de dicha estimación.
179
2,9 4,1 3,1 3,8 2,9 3,8
2,8 3,9 3,2 4,0 3,0 3,6
3,1 3,7 3,0 3,8 3,1 3,8
3,2 4,1 3,2 4,1 3,0 3,7
2,9 4,2 2,9 3,7
2,8 4,0 3,0 3,8
3,1 3,9
2,8 3,8
a. Estimar el peso medio estratificado de los conejos al principio y al final del
tratamiento. Dar una estimación del error.
b. Si se le permite un error de estimación de 0,01 para estimar el peso medio
estratificado al final del tratamiento, ¿cuáles deben ser los nuevos tamaños
muestrales? Usar asignación proporcional.
c. Sabiendo que el peso medio de los conejos antes de introducir la nueva dieta era de
3,2 kilogramos, estimar el peso medio de los conejos al final del tratamiento
utilizando un estimador de razón. Dar el límite de error de estimación.
d. Estimar el peso medio de los conejos al final del tratamiento utilizando muestreo
aleatorio simple. Comentar los resultados.
Solución: (a) µˆ x = 3,0008; B = 0,0516; µˆ y = 3,8944; B = 0,0523
14. En una escuela de 560 alumnos, se desea estimar la calificación media que puede
obtenerse en el examen final de matemáticas en el curso 00/01. Se toma como información
auxiliar la calificación de los mismos alumnos en el examen final de matemáticas del
curso 99/00 con una nota media de 75. A partir de una muestra aleatoria de estudiantes
para los cuales se observó la nota del examen final en el curso 00/01 y la calificación de
dicho alumno en la prueba correspondiente al curso 99/00. Los resultados fueron los
siguientes:
Nota curso Nota curso
99/00 00/01
80 87
78 65
98 86
45 47
180
61 67
83 94
79 67
56 67
Estimar la calificación media del curso 00/01 utilizando como información auxiliar la
calificación obtenida en el curso 99/00 mediante un estimador de razón. Dar una
estimación del error de muestreo.
15. Un director de recursos forestales está interesado en estimar el número de abetos muertos
por una plaga en una zona de 300 hectáreas. Usando una fotografía aérea, el director
divide la zona en 200 parcelas de hectárea y media. Se toma una muestra aleatoria de 10
parcelas. El número total de abetos muertos, obtenidos según la cantidad en fotografía es
4200.
Parcela 1 2 3 4 5 6 7 8 9 10
Cantidad en fotografía 12 30 24 24 18 30 12 6 36 42
Cantidad en terreno 18 42 24 36 24 36 14 10 48 54
a. Estime la razón poblacional y obtenga su intervalo de confianza.
b. Estime el número total de abetos muertos en el área de 300 hectáreas y fije un
límite para el error de estimación.
c. ¿Cuál ha de ser el tamaño de la muestra necesario para estimar el total de abetos
muertos, con un límite de error de estimación de 200 abetos?
Solución: (a) r = 1,3077; (1'2057, 1'4097) (b) τˆ y = 5.492,31; B = 428,44 ) (c) n = 38,9 ≅ 39
16. De una población de 40 hogares, para la que es conocido que el gasto total general durante
un periodo de un año, en general, es de 12.000.000 um., se obtiene una muestra aleatoria
simple de tamaño 4 que proporciona los siguientes valores anuales (en um):
Gasto en alimentación 125000 150000 100000 175000
a. Estimar el gasto total en alimentación para los 40 hogares mediante un intervalo de
confianza.
b. Supongamos que de esos 4 hogares tenemos también los valores anuales de su
gasto general (en um):
Gasto General 250000 300000 200000 350000
Antes de calcular otro estimador, ¿obtendríamos mejores resultados si
utilizamos esta información auxiliar?¿Por qué?
181
c. Estimar mediante un estimador de razón el total de gasto en alimentación,
utilizando la información auxiliar del apartado b.
d. Corroborar la respuesta del apartado b indicando qué estimador es mejor, el del
apartado a o el del apartado c.
Solución: (a) (4.275.255, 6.724.744) (b) ρ = 1 (c) τˆ y = 6.000.000 (d) B = 0 (límite del error de
18. En una universidad se realizó una prueba de conocimientos matemáticos antes del ingreso
a 486 estudiantes. Se consideraron dichas calificaciones como una variable auxiliar de la
variable “calificación final en cálculo”. Teniendo en cuenta que 291 eran chicos y las
calificaciones medias del examen previo fueron de 47 para los chicos y 52 para las chicas,
a partir de los datos de la tabla siguiente, se pide:
CHICOS CHICAS
Examen previo Examen de cálculo Examen previo Examen de cálculo
39 65 57 92
43 78 47 89
21 52 28 73
64 82 75 98
34 56
52 75
a. Sin tener en cuenta el sexo, estima la calificación media en el examen final de
cálculo utilizando un estimador de razón. De una medida del error de estimación.
b. ¿Qué ocurre si no se tiene en cuenta la información auxiliar pero si el sexo?
c. ¿Qué ocurre si no se tiene en cuenta la información auxiliar ni el sexo?
d. Compare los estimadores que se obtienen en cada caso justificadamente.
182
Solución: (a) µˆ y = 80,97; B = 10,54 (b) µˆ = 73,76; B = 9,5 (c) µˆ = 76; B = 9,46
5. Muestreo Sistemático
1. La sección de control de calidad de una empresa usa el muestreo sistemático para estimar
la cantidad media de llenado en latas de 12 onzas que sale de una línea de producción. Los
datos de la tabla adjunta representan una muestra sistemática 1 en 50 de la producción de
un día.
Cantidad de llenado (en onzas)
12,00 11,97 12,01 12,03 12,01 11,80
11,91 11,98 12,03 11,98 12,00 11,83
11,87 12,01 11,98 11,87 11,90 11,88
12,05 11,87 11,91 11,93 11,94 11,89
11,72 11,93 11,95 11,97 11,93 12,05
11,85 11,98 11,87 12,05 12,02 12,04
a. Estime µ , y establezca un límite para el error de estimación. Suponga que N=1.800.
b. Determinar el tamaño de muestra requerido para estimar µ dentro de 0,01 unidades.
Solución: (a) µˆ sy = 11,94; B = 0,0259 (b) n = 217,1 ≅ 218
183
Solución: (a) pˆ sy = 0,8100; B = 0,0364 (b) n = 1.176, 97 ≅ 1177 k = 4
3. Los funcionarios de un museo están interesados en el número total de personas que visitan
el lugar durante un periodo de 180 días cuando una costosa colección de antigüedades está
en exhibición. Puesto que el control de visitantes en el museo cada día es muy costosa, los
funcionarios deciden obtener estos datos cada décimo día. La información de esta muestra
sistemática de 1 en 10 se resume en esta tabla
Día Nº personas que visitan el museo
3 160
13 350
23 225
⋮ ⋮
173 290
18 18
∑ y i = 4.868; ∑ y i = 1.321.450
2
i =1 i =1
Use estos datos para estimar el número total de personas que visitan el museo durante el
periodo específico. Establezca un límite para el error de estimación.
Solución: τˆ sy = 48680; B = 1.370,34
5. La tabla anexa muestra el número de nacimientos y la tasa de natalidad por cada 1000
individuos para Estados Unidos durante seis años seleccionados sistemáticamente.
(a) Estime el número medio de varones nacidos por año para el periodo 1955-1980, y
establezca un límite para el error de estimación.
(b) Estime la tasa media anual de natalidad para el periodo 1955-1980, y establezca un
límite para el error de estimación.
(c) ¿Cree usted que el muestreo sistemático es mejor que el muestreo aleatorio simple
para los problemas de los apartados (a) y (b)?¿Por qué?
184
Año Nac.Masculinos Nac.Femeninos Total de Nac. Natalidad
1955 2.073.719 1.973.576 4.047.295 26,0
1960 2.179.708 2.078.142 4.257.850 23,7
1965 1.927.054 1.833.304 3.760.358 19,4
1970 1.915.378 1.816.008 3.731.386 18,4
1975 1.613.135 1.531.063 3.144.198 14,6
1980 1.852.616 1.759.642 3.612.258 15,9
Solución: (a) µˆ sy = 1.926.935; B = 139.437,35 ; (b) µˆ sy = 19,67; B = 3,17 ;
(c) Si. Observando la tendencia de las muestras se puede decir que las poblaciones en
estudio están “ordenadas” de forma decreciente.
6. En la tabla anexa se presentan los datos sobre las tasas de divorcio (por cada 1000
personas) en Estados Unidos para una muestra sistemática de los años de 1900-1980.
Estime la tasa media anual de divorcios para tal periodo y establezca un límite para el
error de estimación. ¿Es en este caso el muestreo sistemático mejor o peor que el muestreo
aleatorio simple?¿Por qué?
Año Tasa Año Tasa
1900 0,7 1945 3,5
1905 0,8 1950 2,6
1910 0,9 1955 2,3
1915 1,0 1960 2,2
1920 1,6 1965 2,5
1925 1,5 1970 3,5
1930 1,6 1975 4,8
1935 1,7 1980 5,2
1940 2,0
Solución: µˆ sy = 2,26; B = 0,57 . Mejor, se observa, en general, una tendencia creciente en
los datos de la muestra, aunque se rompa ese orden parcial en los años 1945-1955.
7. La gerencia de una compañía privada con 2.000 empleados está interesada en estimar la
proporción de empleados que favorecen una nueva política de inversión. Una muestra
sistemática de 1 en 10 es obtenida de los empleados que salen del edificio al final de un día
de trabajo (las respuestas a favor se han representado como 1)
Empleado Respuesta
muestreado
3 1
13 0
23 1
⋮ ⋮
1993 1
200
∑y
i =1
i = 110
185
Se quiere repetir el anterior estudio con un error de estimación inferior al 5% (considerando
la muestra anterior como una muestra previa para estimar los parámetros necesarios). ¿Qué
tipo de muestra sistemática deberá obtenerse? (indique n y k).
Solución: n = 330, 7 ≈ 331 k = 6, 04 ⇒ k = 6
8. Un auditor se enfrenta a una larga lista de 1.000 cuentas por cobrar de una empresa. El
valor de cada una de estas cuentas no suele superar los 21.000 €. El auditor quiere estimar
el valor total de las deudas por cobrar con un error inferior a 1.000.000 € con una
confianza del 95%. Para ello decide tomar una muestra sistemática de 1 en k . Determine
el valor de k.
Solución: k = 10
9. Los funcionarios de cierta sociedad profesional desean determinar la proporción de
miembros que apoyan varias enmiendas propuestas en las prácticas de arbitraje. Los
funcionarios tomaron una muestra sistemática de 1 en 10, a partir de una lista en orden
alfabético de los 650 miembros registrados, obteniendo que 47 estaban a favor de los
cambios propuestos. Se quiere repetir el estudio anterior con un error de estimación
inferior al 5%. Considerando la muestra anterior como una muestra previa para estimar los
parámetros necesarios, ¿qué tipo de muestra sistemática deberá obtenerse? (indique n y k).
Npq 625
Solución: n = = 214,8 ≈ 215 k≤ = 3, 02 k =3
( N − 1) D + pq 215
(Se recomienda realizar con el ordenador los ejercicios 1, 2, 3, 5 y 7 dado el elevado número
de datos y resolver a mano, verificando la solución con el ordenador, una versión con menos
datos)
1. Un fabricante de sierras quiere estimar el coste medio de reparación mensual para las
sierras que ha vendido a ciertas industrias. El fabricante no puede obtener un coste de
reparación para cada sierra, pero puede obtener la cantidad total gastada en reparación y el
número de sierras que tiene cada industria. Entonces decide usar muestreo por
conglomerados, con cada industria como un conglomerado. El fabricante selecciona una
muestra aleatoria simple de 20 de 96 industrias a las que da servicio. Los datos sobre coste
total de reparaciones por industria y el número de sierras son:
186
Industria Nº sierras Costo total de reparación
para el mes pasado (€)
1 3 50
2 7 110
3 11 230
4 9 140
5 2 60
6 12 280
7 14 240
8 3 45
9 5 60
10 9 230
11 8 140
12 6 130
13 3 70
14 2 50
15 1 10
16 4 60
17 12 280
18 6 150
19 5 110
20 8 120
a. Estime el costo medio de reparación por sierra para el mes pasado, y establezca un
límite para el error de estimación.
b. Estime la cantidad total gastada por las 96 industrias en la reparación de sierras.
Establezca un límite para el error de estimación.
c. Después de verificar sus registros de ventas, el fabricante se percata de que ha vendido
un total de 710 sierras a esas industrias. Usando esta información adicional, estime la
cantidad total gastada en reparación de sierras por estas industrias, y establezca un
límite para el error de estimación.
Solución: (a) µˆ = 19,73; B = 1,78 (b) τˆ = 12.312; B = 3.175,07
(c) τˆ = 14.008,85; B = 1.110,78
2. Una industria está considerando la revisión de su política de jubilación y quiere estimar la
proporción de empleados que apoyan la nueva política. La industria consiste en 87 plantas
separadas localizadas en todo Estados Unidos. Ya que los resultados deber ser obtenidos
rápidamente y con poco dinero, la industria decide usar muestreo por conglomerados, con
cada planta como un conglomerado. Se selecciona una muestra aleatoria simple de 15
plantas y se obtienen las opiniones de los empleados en estas plantas a través de un
cuestionario. Los resultados se presentan en esta tabla:
Planta Nº empleados Nº empleados que apoyan la nueva política
1 51 42
2 62 53
187
3 49 40
4 73 45
5 101 63
6 48 31
7 65 38
8 49 30
9 73 54
10 61 45
11 58 51
12 52 29
13 65 46
14 49 37
15 55 42
a) Estime la proporción de empleados en la industria que apoyan la nueva política de
jubilación y establezca un límite para el error de estimación.
b) La industria modificó su política de jubilación después de obtener los resultados de
la encuesta. Ahora se quiere estimar la proporción de empleados a favor de la
política modificada ¿Cuántas plantas deben ser muestreadas para tener un límite del
2% para el error de estimación? Use los datos anteriores para aproximar los
resultados de la nueva encuesta.
Solución: (a) pˆ = 70,91%; B = 4,81% ) (b) n = 47,6 ≅ 48
3. Se diseña una encuesta económica para estimar la cantidad media gastada en servicios
para los hogares en una ciudad. Ya que no se encuentra disponible una lista de hogares, se
usa muestreo por conglomerados, con barrios formando los conglomerados. Se selecciona
una muestra aleatoria de 20 barrios de la ciudad de un total de 60. Los entrevistadores
obtienen el gasto en servicios de cada hogar en los barrios seleccionados; los gastos totales
se muestran en esta tabla:
Barrio Nº hogares Cantidad total gastada en servicios (€)
1 55 2210
2 60 2390
3 63 2430
4 58 2380
5 71 2760
6 78 3110
7 69 2780
8 58 2370
9 52 1990
10 71 2810
11 73 2930
12 64 2470
13 69 2830
14 58 2370
15 63 2390
16 75 2870
188
17 78 3210
18 51 2430
19 67 2730
20 70 2880
a. Estime la cantidad media de gastos en servicios por hogar en la ciudad y establezca un
límite para el error de estimación.
b. En la encuesta anterior se desconoce el número de hogares en la ciudad. Estime la
cantidad total gastada en servicios por todos los hogares de la ciudad y establezca un
límite para el error de estimación.
c. La encuesta económica se va a llevar a cabo en una ciudad vecina de estructura
similar. El objetivo es estimar la cantidad total gastada en servicios por los hogares de
la ciudad, con un límite de 5.000€ para el error de estimación. Use los datos anteriores
para encontrar el número aproximado de conglomerados que se necesitan para obtener
ese límite.
Solución: (a) µˆ = 40,17; B = 0,64 (b) τˆ = 157.020; B = 6.927,88 (c) n = 29,4 ≅ 30
4. Un inspector quiere estimar el peso medio de llenado para cajas de cereal empaquetadas
en una fábrica. El cereal está en paquetes que contienen 12 cajas cada uno. El inspector
selecciona aleatoriamente 5 y mide el peso de llenado de cada caja en los paquetes
muestreados, con los resultados (en onzas) que se muestran:
Paquete Onzas de llenado
1 16,1 15,9 16,1 16,2 15,9 15,8 16,1 16,2 16,0 15,9 15,8 16,0
2 15,9 16,2 15,8 16,0 16,3 16,1 15,8 15,9 16,0 16,1 16,1 15,9
3 16,2 16,0 15,7 16,3 15,8 16,0 15,9 16,0 16,1 16,0 15,9 16,1
4 15,9 16,1 16,2 16,1 16,1 16,3 15,9 16,1 15,9 15,9 16,0 16,0
5 16,0 15,8 16,3 15,7 16,1 15,9 16,0 16,1 15,8 16,0 16,1 15,9
Estime el peso medio de llenado para las cajas empaquetadas por esta fábrica, y establezca
un límite para el error de estimación. Suponga que el número total de cajas empaquetadas
por la fábrica es lo suficientemente grande para que no se tome en cuenta la corrección por
población finita.
Solución: µˆ = 16,0050; B = 0,0215
5. Un periódico quiere estimar la proporción de votantes que apoyan a cierto candidato A en
una elección estatal. La selección y entrevista de una muestra aleatoria simple de votantes
registrados es muy costosa por lo que se utiliza muestreo por conglomerados. Se
selecciona una muestra aleatoria de 50 distritos (conglomerados) de un total de 497 que
tiene el estado. El periódico quiere hacer la estimación el día de la elección, pero antes de
que se haya hecho la cuenta final de los votos. Es por eso que los reporteros son enviados
a los lugares de votación de cada distrito en la muestra, para obtener la información
pertinente directamente de los votantes. Los resultados se muestran en esta tabla:
189
Nº votantes Nº votantes A Nº votantes Nº votantes A Nº votantes Nº votantes A
1290 680 1893 1143 843 321
1170 631 1942 1187 1066 487
840 475 971 542 1171 596
1620 935 1143 973 1213 782
1381 472 2041 1541 1741 980
1492 820 2530 1679 983 693
1785 933 1567 982 1865 1033
2010 1171 1493 863 1888 987
974 542 1271 742 1947 872
832 457 1873 1010 2021 1093
1247 983 2142 1092 2001 1461
1896 1462 2380 1242 1493 1301
1943 873 1693 973 1783 1167
798 372 1661 652 1461 932
1020 621 1555 523 1237 481
1141 642 1492 831 1843 999
1820 975 1957 932
a. Estime la proporción de votantes que apoyan al candidato A, y establezca un límite
para el error de estimación.
b. El periódico quiere realizar una encuesta similar durante la siguiente elección. ¿Cómo
de grande debe ser la muestra para estimar la proporción de votantes a favor de un
candidato similar con un límite del 5% para el error de estimación?
Solución: pˆ = 0,5701; B = 0,0307 (b) n = 20,1 ≅ 21
6. Con motivo del cuarto centenario del Quijote, el Ministerio de Cultura desea estimar el
número de libros comprados cada mes en una localidad. Se selecciona una localidad con
6.200 hogares agrupados en 700 manzanas de viviendas. Se tiene una encuesta piloto en la
cual se seleccionó una muestra de 4 manzanas y se entrevistaron a todas las familias,
obteniéndose los siguientes resultados:
manzana libros comprados cada mes por familia
1 1 2 1 0 3 2 1 0 1 2
2 1 0 2 2 0 0 1 3
3 2 1 1 1 1 0 2 1 2 2 2
4 1 1 0 2 1 0 3
Determine, usando los datos de la encuesta piloto, cuántas manzanas debe tener una nueva
muestra si se quiere estimar los libros comprados cada mes con un error de estimación
Solución: n = 96,92 ≈ 97
7. Un sociólogo quiere estimar el ingreso medio por persona en cierta ciudad pequeña donde
no existe una lista disponible de adultos residentes. Por esta razón para el diseño de la
190
encuesta utiliza muestreo por conglomerados. Se divide la ciudad en bloques rectangulares
y el sociólogo decide que cada bloque rectangular va a ser considerado como un
conglomerado. Los conglomerados son numerados del 1 al 415. El investigador tiene
tiempo y dinero suficientes para hacer un muestreo de 25 conglomerados y entrevistar a
cada hogar dentro de cada uno. Se seleccionan aleatoriamente 25 conglomerados y se
realizan las entrevistas, obteniéndose estos datos:
Ingreso total por
Conglomerado (i) Nº de residentes (mi)
conglomerado en € (yi)
1 8 96000
2 12 121000
3 4 42000
4 5 65000
5 6 52000
6 6 40000
7 7 75000
8 5 65000
9 8 45000
10 3 50000
11 2 85000
12 6 43000
13 5 54000
14 10 49000
15 9 53000
16 3 50000
17 6 32000
18 5 22000
19 5 45000
20 4 37000
21 6 51000
22 8 30000
23 7 39000
24 3 47000
25 8 41000
151 residentes 1329000 €
a) Estime el ingreso medio por persona en la ciudad y establezca un límite para el error
de estimación.
b) Estime el ingreso total de todos los residentes de la ciudad y el límite para el error de
estimación, suponiendo que M es desconocido.
NOTA: Repetir este ejemplo con todos los mi iguales (por ejemplo, mi = 6 ∀i ,
supongamos conocido M = 6 × 415 = 2.490 ) y estime el total por los dos métodos
191
( )
estudiados τɵ = M y τɵ t = N y t . Observe como coinciden las dos estimaciones así como
d) Tomando los anteriores datos como una muestra previa, cómo debe tomarse la
muestra en una encuesta futura para estimar el ingreso promedio por persona con un
límite para el error de estimación de 500€.
9. En un proceso de control del volumen envasado por una fábrica de bebidas se eligen 5 de
los 40 paquetes que tiene la fábrica, cada uno de los cuales contiene 4 envases, y se mide
el volumen que cada envase contiene. Las observaciones se presentan en la tabla adjunta:
Paquete nº Volumen envasado en cm3
1 33 32,5 31,7 34,2
2 32 32,6 33,8 32,5
3 30,9 33,1 33 33,4
4 34,1 33,1 32,5 33,2
5 32 32,1 32,6 33,6
Estime el volumen medio por envase y dar la cota de error de estimación.
Solución: µˆ = 32,80; B = 0,22
10. Una empresa de trabajo temporal quiere investigar las necesidades de empleo de las
empresas de un pueblo. Para ello decide seleccionar una muestra de 10 de las 85 inscritas
en el registro mercantil. El número de bajas en el último año, el número de empleados y la
respuesta de cada empresa sobre si utilizaría los servicios de la empresa de trabajo
temporal fueron los siguientes:
192
Empresa Bajas Empleados Respuesta
1 1 7 Si
2 2 15 No
3 9 85 Si
4 0 3 No
5 2 12 No
6 0 8 No
7 1 21 Si
8 0 4 No
9 4 35 No
10 6 92 Si
a. Estime el número de bajas en el último año en las empresas del pueblo. Dé el
límite del error de estimación.
b. Estime la proporción de empresas que usarían los servicios ofertados. Dé el
límite del error de estimación.
Solución: (a) τˆ = 212,5; B = 151,02 (b) pˆ = 40%; B = 30,68%
11. Cierto tipo de tableros posee 12 microcircuitos cada uno. De un pedido de 50 tableros se
seleccionan 10 de ellos para su estudio. El número de microcircuitos defectuosos por
tablero fue
2 0 1 3 2 0 0 1 3 4
Estime la proporción de microcircuitos defectuosos en la población y establezca una cota
para el error de estimación.
12. En una pequeña ciudad se quiere estimar el número total de horas diarias que sus
residentes dedican a ver el programa ``Gran Hermano'', emitido las 24 horas del día por un
canal Digital. Dicha ciudad está dividida en 200 manzanas de viviendas. Se extrae una
muestra aleatoria simple de 10 manzanas, y se interroga a cada familia acerca de si están
conectados a Vía Digital y cuántas horas ven el programa. Los datos de la encuesta se
encuentran en la siguiente tabla:
Manzana Nº hogares con Nº total horas que
canal Digital ven programa
1 8 13
2 7 13
3 9 14
4 6 13
5 5 0
6 9 10
7 6 6
193
8 8 14
9 9 16
10 6 4
a. Estimar el número total de horas que se ve el programa ``Gran Hermano'' a través
de Canal Digital.
b. Obtener un intervalo de confianza para el número total de horas.
c. Determinar cuántas manzanas se deberían muestrear para estimar el total
poblacional, con un límite para el error de estimación de magnitud 20. Considere la
muestra anterior como una muestra previa para estimar los parámetros necesarios.
Solución: (a) τˆ = 2060 ; (b) (1415,30, 2704,70) (c) n = 196,4 ≅ 197
14. En un municipio de 5000 familias se pretende estimar el porcentaje de las que poseen
ordenador. Se consideran 1000 conglomerados de 5 familias cada uno, y se elige una
194
muestra aleatoria de 10 conglomerados, en los que el número de familias con ordenador
es:
2 1 5 3 0 1 4 3 5 0
Estimar la proporción de familias que poseen ordenador y la varianza del estimador usado
para estimar dicha proporción.
15. Se desea conocer la proporción de empleados de una empresa que no están dispuestos a
trasladarse a una nueva planta de producción. Realizada una encuesta a los empleados de 5
factorías elegidas al azar entre las 50 que tiene la empresa, los resultados han sido:
Factoría Nº empleados Dispuestos
1 250 225
2 190 175
3 210 190
4 400 350
5 150 120
Estimar la proporción de empleados que no están dispuestos a trasladarse a la nueva
factoría. Obtenga una estimación de la varianza del estimador empleado.
195
7. Estimación del Tamaño de la Población.
196
muestra inicial de 100 parece ser suficiente. Las 100 tortugas son capturadas, marcadas y
liberadas. Toma una segunda muestra un mes después y decide continuar muestreando
hasta que se recapturen 15 tortugas marcadas. Atrapa 160 tortugas antes de obtener las 15
marcadas. Estime el tamaño total de la población de tortugas y establezca un límite de
error de estimación.
Solución: Nˆ = 1.066,67; B = 507,72
6. En una plantación de pinos de 200 acres, se va a estimar la densidad de árboles que
presentan hongos parásitos. Se toma una muestra de 10 cuadros de 0,5 acres cada uno. Las
diez parcelas muestreadas tuvieron una media de 2,8 árboles infectados por cuadro.
a) Estime la densidad de árboles infectados y establezca un límite de error de
estimación.
b) Estime el total de árboles infectados en los 200 acres de la plantación y
establezca un límite de error de estimación.
Solución: (a) λˆ = 5,6; B = 2,1 (b) Mˆ = 1.120; B = 423,32
7. Se desea estimar el número total de personas que diariamente solicitan información en una
oficina turística. Se observa que 114 personas solicitan información, durante 12 intervalos
de 5 minutos cada uno, repartidos aleatoriamente entre las 8 horas que permanece abierta
la oficina. Estimar el total de personas que visitan la oficina diariamente y dar la cota de
error de estimación.
Solución: Mˆ = 912; B = 170,8
8. Un alumno de A.T.C. desea estimar el número de alumnos que una determinada mañana
han ido a la Facultad. Para ello se basa en que dicho día una conocida marca comercial ha
repartido a primeras horas de la mañana en la entrada de la Facultad 500 carpetas. En un
intercambio de clase, sentado en un banco del pasillo, decide contar los alumnos que pasan
hasta observar a 100 que portan la carpeta, para lo que fue necesario contar hasta 382
alumnos.
Estime con un intervalo de confianza el número de alumnos que asistieron esa mañana a la
Facultad.
Solución: muestreo inverso (1910 ∓ 326,58 )
9. El hermano de un alumno de T.A.M. está pensando en abrir una farmacia de 24 horas.
Para saber si los ingresos compensarían los gastos de esta inversión deciden observar un
establecimiento similar para estimar los ingresos diarios. Este asiduo alumno de T.A.M.
conoce perfectamente que es una pérdida de tiempo innecesaria observar el flujo de
197
clientes las 24 horas del día por lo que decide observar de forma sistemática media hora
cada 3 horas, obteniendo los datos de la siguiente tabla
clientes
10:00-10:30 35
13:00-13:30 20
16:00-16:30 19
19:00-19:30 30
22:00-22:30 25
01:00-01:30 9
04:00-04:30 12
07:00-07:30 18
Sabiendo que el gasto medio por cliente es de 20∈, estime los ingresos diarios de la
farmacia observada y el correspondiente límite para el error de estimación utilizando
diferentes métodos.
Solución: Muestreo por cuadros Ingresos = 20.160; B = 3.110,76 ; Muestreo aleatorio
simple Ingresos = 20.160; B = 5.402,22
10. Se desea estimar el número total de palomas en la glorieta de una ciudad. Se capturan 80
palomas, se marcan y se devuelven a la población. Se realiza una segunda muestra hasta
encontrar 30 palomas marcadas, se han tenido que capturar para ello 300 aves. Estimar el
tamaño total y el límite de error de estimación.
Solución: Nˆ = 800; B = 272,62
11. Se desea estimar el número total de pingüinos en una determinada zona. Se obtiene una
muestra de tamaño 60, se marcan y se devuelven a la población. Al día siguiente se elige
otra muestra de tamaño 400 y en ella se encuentran 12 marcados. Estimar el número total
de pingüinos y dar la cota de error de estimación.
Solución: Nˆ = 2.000; B = 1.137,25
12. Se desea estimar el número de vehículos de un modelo determinado que el mes próximo
utilizarán el aparcamiento de Puerta Real. Durante las 720 horas del mes se van a
establecer 5 controles aleatorios de 1 hora de duración cada uno. Transcurrido el mes, se
ha observado en los 5 controles los siguientes resultados:
Control Número de vehículos de ese
modelo que usan el aparcamiento
1 1
2 1
3 2
4 1
5 3
Estimar el número total de vehículos del modelo en estudio que utilizaron el aparcamiento.
198
Solución: Mˆ = 1152; B = 814,59
13. El ayuntamiento de Madrid está interesado en conocer el número de aficionados que
acudieron al aeropuerto a vitorear al equipo campeón de la Champion League. Para ello,
dividieron la sala de espera, de dimensiones 100 metros de largo por 35 metros de ancho,
en 100 cuadros de igual tamaño y seleccionaron 40, observando que el número de
personas era 2100.
a. Estime la densidad de asistentes por metro cuadrado mediante un intervalo de
confianza del 95%.
b. Estime el número total de asistentes, y fije un límite para el error de
estimación.
Solución: (a) (1,4, 1,6) (b) Mˆ = 5.250; B = 229,13 ≅ 229
14. Se toman periódicamente muestras del aire en un área industrial de la ciudad. La densidad
de cierto tipo de partículas dañinas es el parámetro de interés para el sector industrial. A
partir de 15 muestras de 1 cm 3 , se obtuvo un promedio de 210 partículas/ cm 3 . Estimar la
densidad de las partículas dañinas en dicha zona, así como dar una estimación del error de
dicha estimación.
Solución: λˆ = 210 part / cm 3 ; B = 7,48
15. Se desea conocer cuántas personas asistieron a la inauguración del pabellón de Portugal en
la Expo de Lisboa. Se sabe que el pabellón tiene forma cuadrada de 35 metros de lado y se
traza una malla que divide el área total en 100 cuadros de igual tamaño. Se selecciona una
muestra aleatoria de 40 cuadros, observando que el número de personas es de 750.
a. Estime la densidad de asistentes por metro cuadrado y obtenga su intervalo de
confianza.
b. Estime el número total de asistentes a la inauguración y fije un límite para el error
de estimación.
Solución: (a) λˆ = 1,5306; (1'4188, 1'6424) (b) Mˆ = 1875; B = 136,9
199
b. Para reducir el límite de error de estimación a la mitad, ¿en qué proporción deben
ser mayores las cantidades 100 y 48 observadas en la segunda muestra?, ¿se
deberían observar el doble de las cantidades anteriores, es decir, 200 y 96?, ¿el
triple?, ¿el cuádruplo?,...
Solución: (a) ( 989 '79, 1510 '21) (b) el cuádruplo
8. Análisis cluster
9. Componentes principales.
1. Con el archivo Mundo 95.sav realiza un análisis de componentes principales con las
siguientes variables:
• Esperanza de vida femenina
• Mortalidad infantil (muertes por 1000 nacimientos vivos)
• Personas Alfabetizadas (%)
• Tasa de natalidad (por 1.000 habitantes)
• Fertilidad: número promedio de hijos
• Habitantes en ciudades (%)
• Log(10) de PIB_CAP
• Tasa de mortalidad (por 1.000 habitantes)
2. Con el archivo Europa.sav realiza un análisis de componentes principales con las
siguientes variables:
• Habitantes por Km2
• Personas alfabetizadas
• Producto Interior Bruto
• Tasa natalidad
• Fertilidad
202
PRÁCTICAS
203
INTRODUCCIÓN AL SPSS
1.- INTRODUCCIÓN
El SPSS (Statistical Package for the Social Sciences) es un conjunto de programas orientados a
la realización de análisis estadísticos aplicados a las ciencias sociales. Con más de 30 años de
existencia es, en la actualidad, el paquete estadístico con más difusión a nivel mundial.
El SPSS implementa una gran variedad de temas estadísticos en los distintos módulos del
programa. Nosotros utilizaremos solo el módulo SPSS base.
En los siguientes apartados se hace una breve introducción a los conceptos básicos de este
programa. Para una mejor exposición de los mismos puede consultarse la “Guía breve de
SPSS” o el “Tutorial” en el menú de ayudas (?) – muy recomendable esta última opción.
Tras seleccionar el fichero Excel que queremos abrir, aparecerá el cuadro de diálogo Apertura
de origen de datos de Excel, que permite especificar si se incluyen los nombres de las variables
en la primera fila de la hoja de cálculo ( □ Leer nombres de variables de la primera fila de
datos), así como las casillas que se desean importar (Rango). En Excel 5 o posterior, también
se pueden especificar la “Hoja de trabajo” que se desea importar. Si los encabezados de las
columnas no cumplen las normas de denominación de variables de SPSS, se convertirán en
nombres de variables válidos y los encabezados originales de las columnas se guardarán como
etiquetas de variable (véase más adelante en “1.3.-Editor de datos”).
205
2. Seleccionar un procedimiento estadístico para analizar los datos con el sistema de menús.
206
1.2.- ENTORNO DE TRABAJO
Además de las distintas ventanas, existen un conjunto de elementos, comunes a todas ellas que
configuran la apariencia general del SPSS:
• Barra de títulos. Muestra el icono de SPSS, sigue con el nombre del fichero que estamos
utilizando y el nombre de la ventana activa y termina con los botones de minimizar, maximizar
y cerrar ventana.
207
• Barra de menús. Recoge las denominaciones de los menús de SPSS a través de los cuales se
pueden ejecutar todos los posibles comandos que proporciona el paquete.
• Barra de herramientas. Proporciona un acceso rápido y fácil a las tareas más comunes de cada
ventana de SPSS. El significado de cada icono puede verse situando el ratón sobre el propio
icono.
• Barra de estado. Suministra información sobre el estado en que se encuentra SPSS.
Ejemplo 1.-
- Abrir archivo de datos “Datos de empleados.sav”
- Realizar el procedimiento:
Analizar/ Estadísticos Descriptivos/ Descriptivos con la variable “Salario Actual”
- Realizar lo mismo con la variable “Meses desde el contrato”.
208
Ejemplo 2.- Abrir “vista de datos” y “vista de variables” en el archivo de datos:
“Datos de Empleados.sav”.
Una vez que nos encontramos en la ventana “Editor de datos” podemos abrir un archivo de
datos creado con anterioridad (como vimos en “1.1.- Pasos básicos en el análisis”) o crear un
nuevo archivo. En el caso en que queramos crear un archivo de datos nuevo, el primer paso
es el de definir las variables que formarán el archivo. Para definir una variable se pueden
seguir dos procedimientos:
• En vista de datos, haciendo doble clic con el botón izquierdo del ratón cuando el puntero del
mismo se encuentra situado en la palabra var del extremo superior de la columna o
• Pulsando en la pestaña de vista de variables y escribiendo las especificaciones de la variable
cuyos datos vamos a introducir según las indicaciones que siguen:
• El nombre debe comenzar por una letra. Los demás caracteres pueden ser letras, dígitos, puntos
o los símbolos @, #, _ o $.
• Los nombres de variable no pueden terminar en punto.
• Se debe evitar acabar los nombres de variable con subrayado (para evitar conflictos con las
variables creadas automáticamente por algunos procedimientos).
• La longitud del nombre no debe exceder los 64 bytes. Normalmente, 64 bytes suelen equivaler
a 64 caracteres en idiomas de un solo byte (por ejemplo, inglés, francés, alemán, español,
209
italiano, hebreo, ruso, griego, árabe, tailandés) y a 32 caracteres en los idiomas de dos bytes
(por ejemplo, japonés, chino, coreano).
• No se pueden utilizar espacios en blanco ni caracteres especiales (por ejemplo, !, ?, ’ y *).
• Cada nombre de variable debe ser único; no se permiten duplicados.
• Las palabras reservadas no se pueden utilizar como nombres de variable. Las palabras
reservadas son: ALL, AND, BY, EQ, GE, GT, LE, LT, NE, NOT, OR, TO, WITH.
• Los nombres de variable se pueden definir combinando de cualquier manera caracteres en
mayúsculas y en minúsculas, esta distinción entre mayúsculas y minúsculas se conserva en lo
que se refiere a la presentación.
• Cuando es necesario dividir los nombres largos de variable en varias líneas en los resultados,
SPSS intenta dividir las líneas aprovechando los subrayados, los puntos y los cambios de
minúsculas a mayúsculas.
Una vez que se haya determinado el nombre de la variable, hay que definir sus
especificaciones:
• Tipo. Especifica el tipo de datos que contiene la variable. Si se pulsa el botón tipo y luego los
puntos suspensivos que aparecen en la casilla aparece un cuadro de dialogo. Los tipos más
usuales son numérico y cadena.
Tipo de variable especifica los tipos de datos de cada variable. Por defecto se asume que todas
las variables nuevas son numéricas. Se puede utilizar Tipo de variable para cambiar el tipo de
datos. El contenido del cuadro de diálogo Tipo de variable depende del tipo de datos
seleccionado. Para algunos tipos de datos, hay cuadros de texto para la anchura y el número de
decimales; para otros tipos de datos, simplemente puede seleccionar un formato de una lista
desplegable de ejemplos.
• Numérico. Una variable cuyos valores son números. Los valores se muestran en formato
numérico estándar. El Editor de datos acepta valores numéricos en formato estándar o en
notación científica.
• Coma. Una variable numérica cuyos valores se muestran con comas que delimitan cada tres
posiciones y con el punto como delimitador decimal. El Editor de datos acepta valores
numéricos para este tipo de variables con o sin comas, o bien en notación científica. Los
valores no pueden contener comas a la derecha del indicador decimal.
210
• Punto. Una variable numérica cuyos valores se muestran con puntos que delimitan cada tres
posiciones y con la coma como delimitador decimal. El Editor de datos acepta valores
numéricos para este tipo de variables con o sin puntos, o bien en notación científica. Los
valores no pueden contener puntos a la derecha del indicador decimal.
• Notación científica. Una variable numérica cuyos valores se muestran con una E intercalada y
un exponente con signo que representa una potencia de base diez. El Editor de datos acepta
para estas variables valores numéricos con o sin el exponente. El exponente puede aparecer
precedido por una E o una D con un signo opcional, o bien sólo por el signo (por ejemplo, 123,
1,23E2, 1,23D2, 1,23E+2 y 1,23+2).
• Fecha. Una variable numérica cuyos valores se muestran en uno de los diferentes formatos de
fecha-calendario u hora-reloj. Seleccione un formato de la lista. Puede introducir las fechas
utilizando como delimitadores: barras, guiones, puntos, comas o espacios. El rango de siglo
para los valores de año de dos dígitos está determinado por la configuración de las opciones
(en el menú Edición, seleccione Opciones y, a continuación, pulse en la pestaña Datos).
• Dólar. Una variable numérica que se muestra con un signo dólar inicial ($), comas que
delimitan cada tres posiciones y un punto como delimitador decimal. Se pueden introducir
valores de datos con o sin el signo dólar inicial.
• Moneda personalizada. Una variable numérica cuyos valores se muestran en uno de los
formatos de moneda personalizados que se hayan definido previamente en la pestaña Moneda
del cuadro de diálogo Edición/Opciones. Los caracteres definidos en la moneda personalizada
no se pueden emplear en la introducción de datos pero sí se mostrarán en el Editor de datos.
211
• Cadena. Una variable cuyos valores no son numéricos y, por lo tanto, no se utilizan en los
cálculos. Los valores pueden contener cualquier carácter siempre que no se exceda la longitud
definida. Las mayúsculas y las minúsculas se consideran diferentes. Este tipo también se
conoce como variable alfanumérica.
• Nivel de medida. Puede especificar el nivel de medida como Escala (datos numéricos de una
escala de intervalo o de razón), Ordinal o Nominal. Los datos nominales y ordinales pueden ser
de cadena (alfanuméricos) o numéricos.
• nominal. Una variable puede ser tratada como nominal cuando sus valores representan
categorías que no obedecen a una ordenación intrínseca. Por ejemplo, el departamento de la
compañía en el que trabaja un empleado. Son ejemplos de variables nominales: la región, el
código postal o la confesión religiosa.
• ordinal. Una variable puede ser tratada como ordinal cuando sus valores representan
categorías con alguna ordenación intrínseca. Por ejemplo los niveles de satisfacción con un
servicio, que vayan desde muy insatisfecho hasta muy satisfecho. Son ejemplos de variables
ordinales: las puntuaciones de actitud que representan el nivel de satisfacción o confianza y las
puntuaciones de evaluación de la preferencia.
• escala. Una variable puede ser tratada como de escala cuando sus valores representan
categorías ordenadas con una métrica con significado, por lo que son adecuadas las
comparaciones de distancia entre valores. Son ejemplos de variables de escala: la edad en años
y los ingresos en dólares.
Nota: Para variables de cadena ordinales, se asume que el orden alfabético de los valores de
cadena indica el orden correcto de las categorías. Por ejemplo, en una variable de cadena cuyos
valores sean bajo, medio, alto, se interpreta el orden de las categorías como alto, bajo, medio
(orden que no es el correcto). Por norma general, se puede indicar que es más fiable utilizar
códigos numéricos para representar datos ordinales.
212
• Columnas. Anchura de las columnas. Se puede especificar un número de caracteres para el
ancho de la columna. Los anchos de columna también se pueden cambiar en la Vista de datos
pulsando y arrastrando los bordes de las columnas.
Los formatos de columna afectan sólo a la presentación de valores en el Editor de datos. Al
cambiar el ancho de columna no se cambia el ancho definido de una variable. Si el ancho real y
definido de un valor es más ancho que la columna, aparecerán asteriscos (*) en la ventana
Vista de datos.
• Etiqueta. Puede asignar etiquetas de variable descriptivas de hasta 256 caracteres de longitud
(128 caracteres en los idiomas de doble byte). Las etiquetas de variable pueden contener
espacios y caracteres reservados que no se admiten en los nombres de variable.
• Valores. Puede asignar etiquetas de valor descriptivas a cada valor de una variable. Este
proceso es especialmente útil si el archivo de datos utiliza códigos numéricos para representar
categorías que no son numéricas (por ejemplo, códigos 1 y 2 para hombre y mujer). Las
etiquetas de valor se guardan con el archivo de datos. No es necesario volver a definir las
etiquetas de valor cada vez que se abre un archivo de datos. Las etiquetas de valor pueden
ocupar hasta 120 bytes. Las etiquetas de valor no están disponibles para las variables de cadena
larga (variables de cadena de más de 8 caracteres).
• Perdidos. Valores perdidos define los valores de los datos definidos como perdidos por el
usuario. Por ejemplo, es posible que quiera distinguir los datos perdidos porque un encuestado
se niegue a responder de los datos perdidos porque la pregunta no afecta a dicho encuestado.
Los valores de datos que se especifican como perdidos por el usuario aparecen marcados para
un tratamiento especial y se excluyen de la mayoría de los cálculos.
• Las especificaciones de valores perdidos definidos por el usuario se guardan junto con el
archivo de datos. No es necesario volver a definir los valores definidos como perdidos por el
usuario cada vez que se abre un archivo de datos.
• Se pueden introducir hasta tres valores perdidos (individuales) de tipo discreto, un rango de
valores perdidos o un rango más un valor de tipo discreto.
213
• Sólo pueden especificarse rangos para las variables numéricas.
• No se pueden definir valores perdidos para variables de cadena larga (variables de cadena de
más de ocho caracteres).
• Se considera que son válidos todos los valores de cadena, incluidos los valores vacíos o nulos,
a no ser que se definan explícitamente como perdidos. Para definir como perdidos los valores
nulos o vacíos de una variable de cadena, escriba un espacio en blanco en uno de los campos
debajo de la selección Valores perdidos discretos.
Una vez definidas las variables, para la introducción de los datos (en la pestaña vista de datos)
habrá que situar el cursor en la primera celda de la columna y comenzar a escribir los distintos
valores, pulsando ENTER o moviéndonos con el cursor.
• Mover variables.
Si queremos mover una variable que está entre otras dos, en la vista de datos, podemos insertar
un nueva variable en el lugar donde la queramos copiar, luego cortar de donde estaba y por
último pegar en la nueva variable insertada.
214
• Borrar algún caso o variable.
Seleccionar previamente en la vista de datos las filas, las columnas o el área a borrar y pulsar
SUPR o Edición/Borrar o con el botón derecho del ratón elegir Eliminar.
Para guardar un archivo de datos creado tendremos que seleccionar en la barra de menús
Archivo/Guardar como. Nos aparecerá un cuadro de diálogo en el cual debemos indicar el
nombre del archivo y el lugar donde queremos guardarlo. En el caso de que se trate de
cambios en un archivo que ya ha sido guardado con anterioridad, solo tendremos que
seleccionar Archivo/Guardar o con el correspondiente botón de la barra de herramientas y el
archivo se guardará con el mismo nombre y ubicación que tenía con anterioridad.
215
EJERCICIOS
Se pide:
a. Crear un archivo de datos con el nombre Representantes, en el que debes incluir los datos
de la tabla anterior, definiendo las variables de forma adecuada.
b. Inserta una nueva variable que será el estado civil de los representantes con los siguientes
valores.
216
soltero
soltero
casado
soltero
divorciado
casado
casado
casado
soltero
soltero
viudo
casado
casado
casado
soltero
soltero
c. Inserta un nuevo caso entre los existentes con estos valores:
SEXO REGION DE MESES COMO INGRESOS ESTADO CIVIL
PROCEDENCIA REPRESENTANTE MENSUALES en €
Hombre Cataluña 48 1500 divorciado
d. Obtenga el número medio de meses como representante y los valores máximo, mínimo y
mediano de los ingresos.
Nota: Introducir los valores de los salarios con códigos numéricos (por ejemplo, 1 a 5) y en
Vista de variables en la columna Valores etiquetarlos como “0-700”,…
Cuando se introducen las frecuencias de las observaciones de una variable hay que indicárselo
al SPSS. Seleccionaremos en la barra de menús Datos/Ponderar casos… marcando en la
ventana que nos aparece Ponderar casos mediante y seleccionando la Variable de ponderación
(variable que contiene los valores de las frecuencias) de la lista de variables del fichero. Otra
opción es seleccionar el correspondiente icono de la barra de herramientas que representa a una
balanza.
217
PRÁCTICA 8
Análisis Cluster
218
4. El botón Método nos lleva a una ventana cuya opción Método de conglomeración permite
elegir dicho método. El cuadro Medida permite especificar la medida de distancia que será
empleada. Hay que seleccionar el tipo de dato (intervalo, frecuencias y binaria) y la
medida de distancia adecuada. El cuadro Transformar valores permite estandarizar los
valores de los datos, para los casos o las variables, antes de calcular las distancias entre
casos. El cuadro Transformar medidas permite transformar los valores generados por la
medida de distancia, las opciones disponibles son: Valores absolutos, Cambiar el signo y
Cambiar la escala al rango 0-1.
5. El botón Guardar permite guardar información sobre la solución en nuevas variables.
Estas variables (Conglomerado de pertenencia) permiten guardar los conglomerados de
pertenencia para una solución única o un rango de soluciones. Las variables guardadas
pueden emplearse en análisis posteriores para explorar otras diferencias entre los grupos.
6. En todas las figuras el botón Restablecer permite restablecer todas las opciones por
defecto del sistema y elimina del cuadro de dialogo todas las asignaciones hechas con las
variables.
7. Una vez hechas las selecciones especificadas se pulsa el botón Aceptar.
Ejemplo 1
(Ejercicio 5 Relación del Tema 8. Fichero de datos Ej5RelT8.sav)
Ciudadanos Ingresos Edad
Pepe 175 44
Juan 182 55
Pedro 184 41
Pablo 186 32
Maria 185 35
Juana 198 41
Toñi 194 32
Tere 183 32
Carmen 125 23
Elena 107 22
Luisa 97 24
Belén 88 27
Nicolás 116 28
César 121 33
Alberto 100 29
Carlos 175 21
Divide los ciudadanos según ingresos y edad utilizando un análisis jerárquico.
219
Los pasos en el SPSS serían:
1. Elige en los menús Analizar → Clasificar → Conglomerados jerárquicos. En la ventana
Variables situamos Ingresos y Edad. En Etiquetar los casos mediante situamos la
variable Individuo (la variable que se sitúe en esta casilla tiene que estar definida como
cadena no como numérica).
2. El botón Estadísticos nos lleva a una pantalla en la que señalamos Historial de
conglomeración y Matriz de proximidades.
3. El botón Gráficos señalamos la opción Dendograma. En el cuadro Témpanos elegimos
Todos los conglomerados. Señalamos la orientación vertical.
4. En la pantalla a la que nos lleva el botón Método, como Método de conglomeración
elegimos, por ejemplo, el Vecino más próximo. En el cuadro Medida seleccionamos la
primera (Distancia Euclídea al cuadrado). En el cuadro Transformar valores
estandarizamos por variables y mediante Puntuaciones Z. En el cuadro Transformar
medidas no seleccionamos nada.
220
Matriz de distancias
Caso distancia euclídea al cuadrado
1:Pepe 2:Juan 3:Pedro 4:Pablo 5:Maria 6:Juana 7:Toñi 8:Tere 9:Carmen 10:Elena 11:Luisa 12:Belen 13:Nicolas 14:César 15:Alberto 16:Carlos
1:Pepe ,000 1,472 ,156 1,790 1,026 ,426 1,935 1,756 6,765 8,558 8,437 8,008 5,151 3,200 6,073 6,308
2:Juan 1,472 ,000 2,340 6,318 4,775 2,491 6,395 6,309 14,169 16,376 15,814 14,674 11,318 8,014 12,113 13,814
3:Pedro ,156 2,340 ,000 ,968 ,430 ,118 1,026 ,966 5,961 7,878 8,008 7,892 4,802 3,155 5,970 4,819
4:Pablo 1,790 6,318 ,968 ,000 ,108 1,053 ,039 ,005 3,209 4,954 5,537 6,086 3,144 2,558 4,565 1,516
5:Maria 1,026 4,775 ,430 ,108 ,000 ,531 ,156 ,110 3,887 5,682 6,110 6,434 3,454 2,516 4,784 2,397
6:Juana ,426 2,491 ,118 1,053 ,531 ,000 ,976 1,101 7,075 9,296 9,594 9,630 6,068 4,337 7,505 5,089
7:Toñi 1,935 6,395 1,026 ,039 ,156 ,976 ,000 ,073 3,835 5,754 6,434 7,070 3,858 3,224 5,433 1,660
8:Tere 1,756 6,309 ,966 ,005 ,110 1,101 ,073 ,000 2,993 4,674 5,221 5,737 2,896 2,329 4,259 1,481
9:Carmen 6,765 14,169 5,961 3,209 3,887 7,075 3,835 2,993 ,000 ,207 ,484 1,016 ,347 1,202 ,806 1,554
10:Elena 8,558 16,376 7,878 4,954 5,682 9,296 5,754 4,674 ,207 ,000 ,108 ,516 ,478 1,561 ,614 2,799
11:Luisa 8,437 15,814 8,008 5,537 6,110 9,594 6,434 5,221 ,484 ,108 ,000 ,156 ,408 1,313 ,304 3,774
12:Belen 8,008 14,674 7,892 6,086 6,434 9,630 7,070 5,737 1,016 ,516 ,156 ,000 ,484 1,086 ,134 4,991
13:Nicolas 5,151 11,318 4,802 3,144 3,454 6,068 3,858 2,896 ,347 ,478 ,408 ,484 ,000 ,313 ,166 2,682
14:César 3,200 8,014 3,155 2,558 2,516 4,337 3,224 2,329 1,202 1,561 1,313 1,086 ,313 ,000 ,457 3,475
15:Alberto 6,073 12,113 5,970 4,565 4,784 7,505 5,433 4,259 ,806 ,614 ,304 ,134 ,166 ,457 ,000 4,153
16:Carlos 6,308 13,814 4,819 1,516 2,397 5,089 1,660 1,481 1,554 2,799 3,774 4,991 2,682 3,475 4,153 ,000
Esta es una matriz de disimilaridades
Los valores de esta tabla son las distancia euclídea al cuadrado de las puntuaciones tipificadas.
221
Historial de conglomeración
* H I E R A R C H I C A L C L U S T E R A N A L Y S I S *
Dendrogram using Single Linkage
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
Pablo 4 òø
Tere 8 òôòø
Toñi 7 ò÷ ùòòòòòòòòòø
Maria 5 òòò÷ ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø
Pedro 3 òòòûòø ó ó
Juana 6 òòò÷ ùòòòòòòò÷ ó
Pepe 1 òòòòò÷ ùòø
Juan 2 òòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòú ó
Carlos 16 òòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòò÷ ó
Elena 10 òòòûòø ó
Luisa 11 òòò÷ ó ó
Belen 12 òòòòòôòø ó
Alberto 15 òòòòòú ùòø ó
Nicolas 13 òòòòò÷ ó ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòò÷
Carmen 9 òòòòòòò÷ ó
César 14 òòòòòòòòò÷
222
En el dendograma las líneas verticales conectadas designan casos combinados y las líneas
horizontales miden las distancias reales re-escaladas entre 0 y 25.
15:Alberto
9:Carmen
16:Carlos
14:César
12:Belen
10:Elena
11:Luisa
6:Juana
3:Pedro
4:Pablo
5:Maria
1:Pepe
2:Juan
8:Tere
7:Toñi
Número de
conglomerados
1
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
2
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
3
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
4
X X X X X X X X X X X X X X X X X X X X X X X X X X X X
5
X X X X X X X X X X X X X X X X X X X X X X X X X X X
6
X X X X X X X X X X X X X X X X X X X X X X X X X X
7
X X X X X X X X X X X X X X X X X X X X X X X X X
8
X X X X X X X X X X X X X X X X X X X X X X X X
9
X X X X X X X X X X X X X X X X X X X X X X X
10
X X X X X X X X X X X X X X X X X X X X X X
11
X X X X X X X X X X X X X X X X X X X X X
12
X X X X X X X X X X X X X X X X X X X X
13
X X X X X X X X X X X X X X X X X X X
14
X X X X X X X X X X X X X X X X X X
15
X X X X X X X X X X X X X X X X X
223
3. En Etiquetar los casos mediante se puede especificar una variable cuyos valores sean
utilizados para etiquetar los resultados por casos.
4. En Método se puede elegir uno de los dos métodos disponibles para clasificar:
a. Iterar y clasificar. Actualiza los centroides de forma iterativa.
b. Sólo clasificar. El algoritmo corre solo una vez.
5. En Centros de los conglomerados se permite al usuario especificar sus propios centros
iniciales para los conglomerados (Leer iniciales) o guardar los centros finales para análisis
subsiguientes (Escribir finales).
6. En el botón Opciones podemos:
a. Elegir los Estadísticos más relevantes relativos a las variables que ofrecerá el
análisis:
i. Centros de conglomerados iniciales
ii. Tabla de ANOVA. Aunque los resultados serán oportunistas (el
procedimiento trata de formar grupos que, de hecho, difieran), el
tamaño relativo de los estadísticos proporciona información acerca de la
contribución de cada variable a la separación de los grupos.
iii. Información del conglomerado para cada caso
b. En valores perdidos se elige la forma de su exclusión:
i. Excluir casos según lista
ii. Excluir casos según pareja
7. El botón Iterar (sólo disponible si se ha seleccionado el método Iterar y clasificar en el
cuadro de dialogo principal) nos permite elegir:
a. El número máximo de iteraciones limita el número de iteraciones en el
algoritmo, de modo que el proceso se detiene después de ese número de
iteraciones, incluso si no se ha satisfecho el criterio de convergencia. Este
número debe estar entre 1 y 999.
b. El criterio de convergencia determina cuándo cesa la iteración y representa una
proporción de la distancia mínima entre los centros iniciales de los
conglomerados, por lo que debe ser mayor que 0 y menor que 1. Por ejemplo,
si el criterio es igual a 0.02, la iteración cesará si una iteración completa no
mueve ninguno de los centros de los conglomerados en una distancia superior
al dos por ciento de la distancia menor entre cualquiera de los centros iniciales.
c. La opción Usar medias actualizadas permite solicitar la actualización de los
centros de los conglomerados tras la asignación de cada caso. Si no se
224
selecciona esta opción, los nuevos centros de los conglomerados se calcularán
después de la asignación de todos los casos.
8. El botón Guardar permite guardar información sobre la solución como nuevas variables
para que puedan ser utilizadas en análisis subsiguientes. Estas variables son:
a. Conglomerado de pertenencia. Se crea una nueva variable que indica el
conglomerado final al que pertenece cada caso.
b. Distancia desde centro del conglomerado. Indica la distancia euclídea entre
cada caso y su centro de clasificación.
9. El botón Pegar genera la sintaxis del comando a partir de las selecciones del cuadro de
diálogo y pega dicha sintaxis en la ventana de sintaxis designada. Para poder pulsar en
Pegar, debe seleccionar al menos una variable.
10. En todos los cuadros de dialogo, el botón Restablecer permite restablecer todas las
opciones por defecto del sistema y elimina del cuadro de dialogo todas las asignaciones
hechas con las variables.
11. Una vez hechas las opciones especificadas se pulsa el botón Aceptar.
A continuación veremos el procedimiento con los mismos datos del ejemplo anterior.
Ejemplo 2
(Ejercicio 5 de la relación del tema 8. Fichero de datos Ej5RelT8.sav)
Con los datos del ejemplo anterior divide los ciudadanos según ingresos y edad utilizando un
análisis no jerárquico.
225
Zingresos. En Etiquetar casos mediante situamos la variable Individuos y en el botón
Opciones marcamos Mostrar el gráfico con las etiquetas de caso. El gráfico resultante es
el siguiente:
Juana
1,00000
Toñi
Pablo Maria Pedro Juan
Tere
Carlos Pepe
Puntua(ingresos)
0,00000
Carmen
César
Nicolas
-1,00000
Elena
Alberto
Luisa
Belen
-2,00000
226
Las salidas obtenidas con el SPSS son las siguientes:
Como solo hay dos conglomerados, la distancia menor entre los centros iniciales es 4’047. Las
iteraciones pararán cuando no se mueva ninguno de los centros en una distancia superior al
2% de 4’047, es decir, 0’08094.
227
Historial de iteraciones(a)
Cambio en los centros
de los conglomerados
Iteración 1 2
1 ,426 1,555
2 ,047 ,173
3 ,005 ,019
a Se ha logrado la convergencia debido a que los centros de los conglomerados no presentan ningún cambio o
éste es pequeño. El cambio máximo de coordenadas absolutas para cualquier centro es de ,019. La iteración
actual es 3. La distancia mínima entre los centros iniciales es de 4,047.
Las cantidades que se dan en la tabla anterior son las distancias euclideas entre los centros
elegidos en las sucesivas iteraciones. Observemos que en la segunda iteración el centro del
primer conglomerado varía una distancia de 0,047 respecto del centro en la primera iteración.
Esta cantidad es menor que 0,08094. Pero no ocurre lo mismo con el centro del segundo
conglomerado que respecto a la primera iteración varía 0,173. Por tanto, las iteraciones deben
continuar. En la tercera, ambas distancias son menores que 0,08094.
Vamos a calcular las distancias euclideas de Carlos y los dos centros finales de los
conglomerados (en la siguiente tabla). Así comprobaremos que efectivamente es más pequeña
la existente entre Carlos y el conglomerado 1, aunque en el gráfico parezca lo contrario.
228
Distancia euclídea entre Carlos y el primer centro:
Conglomerado Error
Media Media
cuadrática gl cuadrática gl F Sig.
Puntua(ingresos) 11,729 1 ,234 14 50,195 ,000
Puntua(edad) 8,217 1 ,485 14 16,958 ,001
Las pruebas F sólo se deben utilizar con una finalidad descriptiva puesto que los conglomerados han sido
elegidos para maximizar las diferencias entre los casos en diferentes conglomerados. Los niveles críticos no son
corregidos, por lo que no pueden interpretarse como pruebas de la hipótesis de que los centros de los
conglomerados son iguales.
Observando los estadísticos del ANOVA, vemos que los ingresos participan más en la
separación de los conglomerados. .□
Nota. Realizar el análisis cluster de nuevo pero con 4 conglomerados y ver como Carlos y
Juan forman cada uno un conglomerado (Mirar gráfico de dispersión).
Nota En los casos donde existe un gran tamaño muestral, para obtener la máxima eficacia,
tome una muestra de casos y utilice el método Iterar y clasificar para determinar los centros de
los conglomerados. Seleccione Escribir finales en Archivo. Después restaure el archivo de
datos completo y seleccione el método Sólo clasificar. Pulse en Centros y pulse en Leer
iniciales de Archivo para clasificar el archivo completo utilizando los centros estimados a
partir de la muestra.
229
PRÁCTICA 9
Componentes Principales
Seleccione las variables para el análisis factorial. Las variables deben ser cuantitativas. Los
datos categóricos (como la religión o el país de origen) no son adecuados para el análisis
factorial. Los datos para los cuales razonablemente se pueden calcular los coeficientes de
correlación de Pearson, deberían ser los adecuados para el análisis factorial. Para seleccionar
casos para el análisis: Seleccione una variable de selección. Pulse en Valor para introducir un
número entero como valor de selección. En el análisis, sólo se usarán los casos con ese valor
para la variable de selección.
• Matriz de correlaciones. Es útil si las variables del análisis se miden sobre escalas
distintas.
230
Extraer: Se pueden retener todos los factores cuyos autovalores excedan un valor especificado
o retener un número específico de factores.
Mostrar: Permite solicitar la solución factorial sin rotar y el gráfico de sedimentación de los
autovalores.
Guardar como variables: Crea una nueva variable para cada factor en la solución final.
Nosotros utilizaremos el método de regresión. En el caso de componentes principales
(tipificadas) la varianza es siempre igual a 1 y las puntuaciones (componentes principales)
están incorrelacionadas.
Mostrar matriz de coeficientes de las puntuaciones factoriales: Muestra los coeficientes por
los cuales se multiplican las variables para obtener puntuaciones factoriales. También muestra
las correlaciones entre las puntuaciones factoriales.
231
En el cuadro de diálogo Análisis factorial, pulse en Opciones:
Valores perdidos: Permite especificar el tratamiento que reciben los valores perdidos. Las
selecciones disponibles son: excluir casos según lista, excluir casos según pareja y
reemplazar por la media.
• Excluir según lista excluye los casos que tienen valores perdidos en cualquiera de las
variables utilizadas en cualquiera de los análisis.
• Excluir según pareja excluye del análisis los casos que tengan valores perdidos en
cualquiera (o en ambas) de las variables de una pareja implicada en el cálculo de un
estadístico específico.
Ejemplo 1
Vamos a resolver el ejercicio 1 de la relación del capítulo 9 con ayuda del SPSS.
Con el archivo Mundo 95.sav realiza un análisis de componentes principales con las
siguientes variables:
• Esperanza de vida femenina
• Mortalidad infantil (muertes por 1000 nacimientos vivos)
• Personas Alfabetizadas (%)
• Tasa de natalidad (por 1.000 habitantes)
• Fertilidad: número promedio de hijos
• Habitantes en ciudades (%)
• Log(10) de PIB_CAP
• Tasa de mortalidad (por 1.000 habitantes)
En primer lugar elegimos en los menús del SPSS: Analizar → Reducción de datos →
Análisis factorial y seleccionamos las variables: espvidaf, mortinf, alfabet, tasa_nat, fertilid,
urbana, log_pib y tasa_mor.
232
En el botón Descriptivos: en estadísticos seleccionamos descriptivos univariados y solución
inicial, en matriz de correlaciones marcamos coeficientes, niveles de significación y
determinante.
Se obtiene la siguiente salida del programa SPSS para las opciones marcadas:
233
Matriz de correlaciones(a)
Mortalidad
infantil
(muertes por Tasa de Fertilidad: Tasa de
1000 Personas natalidad (por número mortalidad
Esperanza de nacimientos Alfabetizadas 1.000 promedio de Habitantes en Log(10) de (por 1.000
vida femenina vivos) (%) habitantes) hijos ciudades (%) PIB_CAP habitantes)
Correlación Esperanza de vida
femenina 1,000 -,962 ,865 -,865 -,847 ,766 ,833 -,703
Mortalidad infantil
(muertes por 1000 -,962 1,000 -,901 ,870 ,844 -,744 -,824 ,636
nacimientos vivos)
Personas Alfabetizadas
(%) ,865 -,901 1,000 -,870 -,866 ,654 ,731 -,485
Tasa de natalidad (por
1.000 habitantes) -,865 ,870 -,870 1,000 ,975 -,635 -,783 ,384
Fertilidad: número
promedio de hijos -,847 ,844 -,866 ,975 1,000 -,608 -,713 ,424
Habitantes en ciudades
(%) ,766 -,744 ,654 -,635 -,608 1,000 ,785 -,523
Log(10) de PIB_CAP ,833 -,824 ,731 -,783 -,713 ,785 1,000 -,401
Tasa de mortalidad (por
1.000 habitantes) -,703 ,636 -,485 ,384 ,424 -,523 -,401 1,000
Sig. (Unilateral) Esperanza de vida
femenina ,000 ,000 ,000 ,000 ,000 ,000 ,000
Mortalidad infantil
(muertes por 1000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
nacimientos vivos)
Personas Alfabetizadas
(%) ,000 ,000 ,000 ,000 ,000 ,000 ,000
Tasa de natalidad (por
1.000 habitantes) ,000 ,000 ,000 ,000 ,000 ,000 ,000
Fertilidad: número
promedio de hijos ,000 ,000 ,000 ,000 ,000 ,000 ,000
Habitantes en ciudades
(%) ,000 ,000 ,000 ,000 ,000 ,000 ,000
Log(10) de PIB_CAP ,000 ,000 ,000 ,000 ,000 ,000 ,000
Tasa de mortalidad (por
1.000 habitantes) ,000 ,000 ,000 ,000 ,000 ,000 ,000
a Determinante = 2,07E-006
234
Estadísticos descriptivos
Desviación
Media típica N del análisis
Esperanza de vida femenina 69,94 10,695 105
Mortalidad infantil (muertes por 1000 nacimientos vivos) 43,317 38,3699 105
Personas Alfabetizadas (%) 78,14 23,056 105
Tasa de natalidad (por 1.000 habitantes) 26,124 12,3582 105
Fertilidad: número promedio de hijos 3,551 1,8909 105
Habitantes en ciudades (%) 57,02 24,010 105
Log(10) de PIB_CAP 3,4086 ,62725 105
Tasa de mortalidad (por 1.000 habitantes) 9,62 4,277 105
Comunalidades
Inicial Extracción
Esperanza de vida femenina 1,000 ,965
Mortalidad infantil (muertes por 1000 nacimientos vivos) 1,000 ,942
Personas Alfabetizadas (%) 1,000 ,862
Tasa de natalidad (por 1.000 habitantes) 1,000 ,952
Fertilidad: número promedio de hijos 1,000 ,899
Habitantes en ciudades (%) 1,000 ,688
Log(10) de PIB_CAP 1,000 ,769
Tasa de mortalidad (por 1.000 habitantes) 1,000 ,935
Método de extracción: Análisis de Componentes principales.
235
Gráfico de sedimentación
5
Autovalor
1 2 3 4 5 6 7 8
Número de componente
Matriz de componentes(a)
Componente
1 2
Esperanza de vida femenina ,975 -,122
Mortalidad infantil (muertes por 1000 nacimientos vivos) -,970 ,046
Personas Alfabetizadas (%) ,917 ,147
Tasa de natalidad (por 1.000 habitantes) -,923 -,318
Fertilidad: número promedio de hijos -,906 -,281
Habitantes en ciudades (%) ,809 -,181
Log(10) de PIB_CAP ,871 ,100
Tasa de mortalidad (por 1.000 habitantes) -,625 ,737
Método de extracción: Análisis de componentes principales.
a 2 componentes extraídos
La tabla Matriz de componentes incluye los coeficientes de correlación, ryi xk , entre las
236
Gráfico de componentes
0,9
tasa_mor
0,6
Componente 2
0,3
alfabet
mortinf
log_pib
0,0
espvidaf
urbana
fertilid
-0,3
tasa_nat
-0,6
-0,9
Componente 1
La Matriz de coeficientes para el cálculo de las puntuaciones en las componentes recoge los
coeficientes de las combinaciones lineales que definen a las componentes principales
φik
tipificadas, es decir, , que pueden obtenerse a partir de la Matriz de componentes, ry x , y
λi i k
237
Como puede verse en la Matriz de covarianzas se trabaja con componentes principales
tipificadas que además están incorreladas.
238
FORMULARIOS
239
MUESTREO ALEATORIO SIMPLE EN POBLACIONES INFINITAS
(O CON REEMPLAZAMIENTO)
MEDIA PROPORCION
1 n 1 n
ESTIMADOR y = ∑ yi p = ∑ yi , yi = 0, 1
n i =1 n i =1
1 n
( ) 1 n
( ) n pqɵ
2
∑ yi − y
2
S2 = S2 = ∑ yi − y =
n − 1 i =1 n − 1 i =1 n −1
CUASIVARIANZA 2
n
∑ yi
MUESTRAL
n qɵ = 1 − p
∑ yi2 − i =1
n
S 2 = i =1
n −1
σ2 pq
2 V ( y) = 2 =B 2 V ( p) = 2 =B
n n
TAMAÑO MUESTRAL
σ2 σ2 B2 pq pq B2
n= = , D= n= = , D=
B2 D 4 B2 D 4
4 4
240
MUESTREO ALEATORIO SIMPLE EN POBLACIONES FINITAS
SIN REEMPLAZAMIENTO
MEDIA PROPORCION
TOTAL TOTAL
1 n 1 n
y = ∑ yi p = ∑ yi , yi = 0, 1
n i =1 n i =1
ESTIMADOR
τɵ = N p
n
N
τɵ = N y =
n
∑y
i =1
i
S2 N − n pqɵ N − n
V ( y) = V ( p) =
n N n −1 N
VARIANZA DEL
ESTIMADOR
pqɵ
2
S
V (τɵ ) = V ( N y ) = N 2 V ( y ) = N ( N − n) V (τɵ ) = V ( N p ) = N 2 V ( p ) = N ( N − n)
n n −1
2 V ( y) 2 V ( p)
LIMITE DEL ERROR
DE ESTIMACIÓN = B
2 V (τɵ ) = N 2 V ( y ) 2 V (τɵ ) = N 2 V ( p)
(y − 2 V ( y) , y + 2 V ( y) ) (p −2 V ( p) , p + 2 V ( p) )
INTERVALO DE
CONFIANZA (τɵ − 2 V (τɵ ) , τɵ + 2 V (τɵ ) ) = (τɵ − 2 )
V (τɵ ) , τɵ + 2 V (τɵ ) =
= ( N ( y − 2 V ( y ) ) , N ( y + 2 V ( y ) )) = (N ( p − 2 ) (
V ( p) , N p + 2 V ( p) ))
Nσ 2 n=
Npq
n=
( N − 1) D + σ 2 ( N − 1) D + pq
TAMAÑO MUESTRAL
B2 B2
D= (media ) D= ( proporcion)
4 4
B2 B2
D= (total ) D= (total )
4N 2 4N 2
241
MUESTREO ALEATORIO ESTRATIFICADO
MEDIA PROPORCION
TOTAL TOTAL
L L
1 1
y st =
N
∑ Ni y i
i =1
p st =
N
∑N
i =1
i pi
ESTIMADOR
L L
τɵ st = N y st = ∑ N i y i τɵ st = N p st = ∑ N i pi
i =1 i =1
L L
1 1
V ( y st ) =
N2
∑ Ni2 V ( y i ) =
i =1
V ( p st ) =
N2
∑Ni =1
i
2
V ( pi ) =
1 L
Si2 N i − ni L
p i qɵ i N i − ni
VARIANZA DEL
ESTIMADOR
=
N2
∑ Ni2
i =1 ni N i
=
1
N2
∑N i
2
ni − 1 N i
i =1
L
S2 N − n p qɵ N − n
V (τɵ st ) = N 2 V ( y st ) = ∑ N i2 i i i
L
ni N i V (τɵ st ) = N 2 V ( p st ) = ∑ N i2 i i i i
i =1
i =1 ni − 1 N i
L
N i2σ i2 L
N i2 pi qi
FORMULACIÓN ∑
i =1 ωi
∑
i =1 ωi
GENERAL n= L
n= L
N 2 D + ∑ N iσ i2 N 2 D + ∑ N i pi qi
i =1 i =1
242
MUESTREO ALEATORIO ESTRATIFICADO
L L
Ni σ i L L
pi qi
∑N σ
i =1
i i ci ∑
i =1 ci
∑ Ni pi qi ci ∑N i
ci
i =1 i =1
(error fijo B) n = L
n= L
N 2 D + ∑ N iσ i2 N 2 D + ∑ N i pi qi
i =1 i =1
ASIGNACIÓN L
N iσ i L
pi qi
ÓPTIMA C∑ C ∑ Ni
i =1 ci i =1 ci
(coste fijo C ) n = L
n= L
∑Nσ
i =1
i i ci ∑N
i =1
i pi qi ci
N jσ j pjq j
Nj
cj cj
ωj = ωj =
L
N iσ i L
∑ ci ∑N i
pi qi
i =1 i =1 ci
2 2
(∑ N σ )
L
i i (∑ N L
i pi qi )
n= i =1
L
n= i =1
L
N D + ∑ N iσ
2
i
2
N 2 D + ∑ N i pi qi
ASIGNACIÓN DE i =1 i =1
NEYMAN
N jσ j N j pjqj
ωj = L ωj =
∑Nσ
L
i =1
i i ∑Ni =1
i pi qi
L L
∑ Ni σ i2 ∑N pq i i i
ASIGNACIÓN n= i =1
L
n= i =1
L
1 1
PROPORCIONAL ND +
N
∑ Niσ i2
i =1
ND +
N
∑N pq
i =1
i i i
Nj Nj
ωj = ωj =
N N
B2 B2
D= (media ) D= ( proporcion)
4 4
D
B2 B2
D= (total ) D= (total )
4N 2 4N 2
243
ESTIMACIÓN DE RAZÓN
RAZÓN MEDIA
TOTAL
µ y = rµx
n
∑y i
y
ESTIMADOR r= i =1
n
=
x
∑x i
i =1 τɵ y = rτ x
1 n
S r2 = ∑ ( yi − rxi )
2
VARIANZA RESIDUAL n − 1 i =1
N − n S r2
V ( µ y ) = µ x2 V (r ) =
N n
VARIANZA DEL 1 N − n S r2
ESTIMADOR V (r ) =
µ x2 N n
N − n S r2
V (τɵ y ) = τ x2 V (r ) = N 2
N n
Nσ r2 2
n= σ r = Sr2 de una muestra previa
ND + σ r2
DETERMINACIÓN DEL B 2 µ x2
D= ( para estimar R )
TAMAÑO MUESTRAL 4
B2 B2
D= ( para estimar µ y ) D= ( para estimar τ y )
4 4N 2
244
ESTIMACIÓN DE REGRESIÓN
MEDIA
TOTAL
1 n
( ) 1 n
( )
2 2
S x2 = ∑ xi − x
n − 1 i =1
sx2 = ∑ xi − x
n i =1
(n − 1) S x2 = nsx2
VARIANZA, COVARIANZA
Y COEF. DE
CORRELACIÓN
S xy =
1 n
∑ xi − x
n − 1 i =1
( )( y − y )
i sxy =
1 n
∑ i
n i =1
x − x(yi − y =
1 n
n i =1
)(
∑ xi yi − x y )
MUESTRALES
S xy2 sxy2
rxy2 = =
S x2 S y2 sx2 s 2y
∑ ( x − x )( y − y )
n
i i
S xy sxy
µ yL = y + b( µ x − x) b= = = i =1
∑ ( x − x)
n
S x2 s x2 2
ESTIMADOR i
i =1
τɵ yL = N µ yL
( ( )) n 2 sxy
2
s y (1 − rxy2 )
1 n 2 n 2
VARIANZA RESIDUAL S =
2
∑ yi − y + b( xi − x)
n − 2 i =1
= sy − 2
n − 2
=
n−2
L
sx
ERROR TÍPICO DE
ESTIMACIÓN S L2 = S L
N − n S L2
V ( µ yL ) =
N n
VARIANZA DEL
ESTIMADOR
V (τɵ yL ) = N 2 V ( µ yL )
Nσ L2 2
n= σ L = S L2 de una muestra previa
ND + σ L2
DETERMINACIÓN DEL
TAMAÑO MUESTRAL
B2 B2
D= ( para estimar µ y ) D= ( para estimar τ y )
4 4N 2
245
ESTIMACIÓN DE DIFERENCIA
MEDIA
TOTAL
µ yD = y + ( µ x − x) = µ x + d d = y−x
ESTIMADOR
τɵ yD = N µ yD
1 n
( ) 1 n
( )
2 2
VARIANZA RESIDUAL S D2 = ∑ yi − ( xi + d )
n − 1 i =1
= ∑ di − d
n − 1 i =1
di = yi − xi
N − n S D2
V ( µ yD ) =
N n
VARIANZA DEL ESTIMADOR
V (τɵ yD ) = N 2 V ( µ yD )
Nσ D2 2
n= σ D = S D2 de una muestra previa
ND + σ D2
DETERMINACIÓN DEL
TAMAÑO MUESTRAL
B2 B2
D= ( para estimar µ y ) D= ( para estimar τ y )
4 4N 2
246
MUESTREO POR CONGLOMERADOS
1 n
m= ∑ mi = tamaño medio de los conglomerados de la muestra
n i =1
∑y i 1 n
µ=y= i =1
n
yt = ∑ yi
n i =1
ESTIMADOR ∑m
i =1
i
τɵ = M y τɵ t = N y t
1 n
( ) 1 n
( )
2 2
Sc2 = ∑ yi − ymi
n − 1 i =1
St2 = ∑ yi − y t
n − 1 i =1
VARIANZA
1 N − n S c2 N − n St2
DEL V ( y) = 2 V ( yt ) =
ESTIMADOR M N n N n
2
2 S
S
V (τɵ ) = M 2 V ( y ) = N ( N − n) c V (τɵ t ) = N 2 V ( y t ) = N ( N − n) t
n n
Nσ c2 2 Nσ t2 2
n= σ c = Sc2 de una muestra previa n= σ t = St2 de una muestra previa
ND + σ c2 ND + σ t2
TAMAÑO 2
MUESTRAL B2 M
D= (media ) B2
4 D= (total )
B2 4N 2
D= (total )
4N 2
247
ESTIMACIÓN DEL TAMAÑO DE LA POBLACIÓN
t = elementos marcados
NOTACIÓN n = total de elementos en la muestra de recaptura
s = elementos marcados en la muestra de recaptura
t nt t nt
ESTIMADOR N= = N= =
p s p s
( )
E N =N+
N (N − t)
nt
( )
E N =N
PROPIEDADES DEL
ESTIMADOR
( )
V N =
t 2 n( n − s ) ( )t 2 n( n − s )
V N = 2
s ( s + 1)
s3
248
ESTIMACIÓN DEL TAMAÑO DE LA POBLACIÓN
DENSIDAD TOTAL
A = área total
a = área de cada cuadro
NOTACIÓN n = número de cuadros en la muestra
m = número medio de elementos por cuadro en la muestra
m M = λɵ A
ESTIMADOR λɵ =
a
λɵ A2 λɵ
() ( ) ()
VARIANZA DEL
ESTIMADOR V λɵ = ɵ
V M =AV λ =
2
an an
CUADROS CARGADOS
DENSIDAD TOTAL
A = área total
a = área de cada cuadro
NOTACIÓN n = número de cuadros en la muestra
y = número total de cuadros no cargados
1 y A y
ESTIMADOR λɵ = − ln M = Aλɵ = − ln
a n a n
VARIANZA DEL
ESTIMADOR () 1 n− y
V λɵ = 2
a ny ( ) ()
A2 n − y
V M = A2 V λɵ = 2
a ny
249