Escuela Académico Profesional:

Ingeniería Civil
Asignatura: Estadística Aplicada

MUESTREO

Lic. Aidè Yanet Huamàn Rivera

 Introducción
La utilización del muestreo para aproximarse al
conocimiento de la realidad es práctica habitual en
el campo de la investigación científica. Sin
embargo, para que sea posible, que a través de
una muestra se pueda inferir hacia una población
con la precisión y confiabilidad deseada, es
necesario que el diseño muestral y su desarrollo se
ajusten a los requerimientos que exige la teoría del
muestreo.
 Interés Fundamental
Los profesionales de ingeniería tienen como
exigencia desarrollar investigación permanente,
ello significa, la búsqueda sistematizada y objetiva
de hechos o de explicaciones a fenómenos
relacionados con su entorno laboral.
El propósito de un estudio estadístico suele ser, extraer
conclusiones acerca de la naturaleza de una población.

Al ser la población grande o infinita y no poder ser estudiada en su

integridad en la mayoría de los casos, las conclusiones obtenidas
deben basarse en el examen de solamente una parte de ésta, lo que
nos lleva a la justificación, necesidad y estudio del muestreo.
DEFINICIONES BÁSICAS

INVESTIGACIÓN CIENTÍFICA:

Proceso de búsqueda de la verdad, recoge nuevos

conocimientos, descubre principios generales y
llega a establecer leyes.

MÉTODO CIENTÍFICO:

Procedimiento mediante el cual podemos

alcanzar un conocimiento objetivo de la
realidad.
DEFINICIONES BÁSICAS

ESTADÍSTICA E INVESTIGACIÓN

La estadística interviene en la investigación y/o el método

científico a través de la experimentación y observación. Esto es,
las observaciones experimentales y conocimientos son partes
integrantes del método científico y esos métodos
invariablemente conducen al empleo de técnicas de la
estadística.
DEFINICIONES BÁSICAS

PROCESO DE INVESTIGACIÓN

• Planteamiento del problema.

• Fijación de los objetivos.
• Formulación de la hipótesis.
• Definición de la unidad de observación y de la unidad de
medida.
• Determinación de la población y de la muestra.
• La recolección.
• Crítica, clasificación y ordenación.
• Tabulación.
• Presentación
• Análisis
• Conclusiones
DEFINICIONES BÁSICAS

Observación Encuesta Focus

Buena decisión Groups Entrevista

Mala desición

Paquetes o programa estadístico

ESTADISTICA
Medidas estadísticas “Ciencia” Selección y Clasificación
Pruebas estadísticas de variables

Gráficos estadísticos

Cuadros de frecuencias
DEFINICIONES BÁSICAS

ESTADÍSTICA
Es una ciencia que nos ofrece un conjunto de métodos y
técnicas para:
Recolectar, Resumir, Procesar, Presentar, Analizar e Interpretar
un conjunto de datos, con la finalidad de conocer el problema,
proyectar su comportamiento y colaborar en la toma
decisiones sobre dicho problema.
DEFINICIONES BÁSICAS

DIVISIÓN DE LA ESTADÍSTICA

Estadística

Estadística descriptiva Estadística Inferencial

Es la que se encarga de Es la que se encarga de la toma

describir las diferentes variables de decisiones en base a una
en estudio de la muestra ó muestra.
población.
DEFINICIONES BÁSICAS
Muestreo:
• Es una técnica estadística que indica la forma de seleccionar una muestra de una
población, según sus características.
• Su objetivo es extraer conclusiones válidas para la población.
• Por su gran importancia los investigadores lo utilizan en los diferentes campos de
saber y también lo usamos en la vida diaria.

POBLACIÓN (N)
DEFINICIONES BÁSICAS
VENTAJAS DEL MUESTREO:
a) Costos reducidos.
b) Mayor rapidez para obtener resultados.
c) Mayor exactitud o mejor calidad de la información, debido a los
siguientes factores
c.1 Volumen de trabajo reducido.
c.2 Puede existir mayor supervisión en el trabajo.
c.3 Se puede dar más entrenamiento al personal.
c.4 Menor probabilidad de cometer errores durante el procesamiento
de la información.
d) Factibilidad de hacer el estudio cuando la toma de datos implica :
Control de calidad.
Técnicas destructivas. Etc.
DEFINICIONES BÁSICAS
Población:

Son conjuntos de elementos o unidades que comparten un grupo

de características comunes.
Conjunto de elementos relacionados entre sí con alguna
característica del cual se desea información.
Una población siempre debe estar definida en términos de:

CONTENIDO EXTENSION TIEMPO

DEFINICIONES BÁSICAS
Clasificación de Población
a. Según su extensión:
Finita: sus elementos pueden ser contados
Infinita: cuando no se determina el último elemento.

b. Según el objeto de estudio

Población objetivo : es la población sobre la que se desea
hacer inferencias. Naturaleza:
• Población Objeto;
Constituida por las u.e.
• Población objetivo:
Información que genera
la población objeto
DEFINICIONES BÁSICAS

Muestra:
Es un subconjunto de elementos seleccionados convenientemente de
la población objetivo de tal manera que puede hacerse inferencias de
ella respecto a la población completa.
Es un conjunto de unidades seleccionadas de un marco muestral o de
varios marcos muestrales.

Una muestra tiene las siguientes características:

a. Representativa: es decir que refleje completamente las

características de la población. Se toma las u.e de todos los
sectores de la población.
b. Adecuada: debe incluir un numero optimo y mínimo de individuos.
c. Homogénea: CV ≤ 33%
DEFINICIONES BÁSICAS

• El diseño de una muestra tienen el siguiente

proceso:
DEFINICIONES BÁSICAS
Unidad elemental o unidad de análisis:
Es cada uno de los elementos en estudio.
Es el objeto del cual se toman las mediciones.
Ejm:
Una persona, un alumno, un cliente, una empresa,
una fabrica, una botella, una PC, etc
DEFINICIONES BÁSICAS
Unidad Muestral:
Esta formada por una o mas unidades elementales o de análisis.
Son aquellos elementos que cubren la población objetivo.
Es el elemento o conjunto de elementos sobre los cuales se va a
obtener información.
Es la unidad que permite llegar a la unidad elemental.
Ejemplos:
Una familia, una manzana, una calle, una granja, etc.
DEFINICIONES BÁSICAS
Marco Muestral
Es el conjunto de unidades del cual se seleccionará
una muestra.
Tipos de Marco Muestral:

• Marco muestral de lista: Cuando las unidades de muestreo del

marco se constituyen en un listado.

Ejemplo: un listado de alumnos, un listado de clientes, listado de

empresas, etc.

• Marco muestral de áreas: Cuando las unidades de muestreo del

marco son áreas de terreno usualmente llamados segmentos
(segmentos de área).

Ejemplo: Marco digital de manzanas de vivienda de Cajamarca,

etc.
DEFINICIONES BÁSICAS

Error de muestreo
Es el error, originado por el hecho de inferir
características o propiedades para la población con
base en las observaciones de una muestra ( Diferencia
entre el parámetro y su estimador)
Es inherente a toda inferencia inductiva y se le
conoce también como el error inferencial
Censo

Procedimiento a través del cual se obtienen conclusiones

acerca de una población analizando todos y cada uno de
los elementos que la componen.
DEFINICIONES BÁSICAS
Censos y muestras
En la siguiente tabla se comparan algunos aspectos relacionados a
los censos y las muestras:

Censo Muestra
- Costoso - Un bajo costo

- Muchos recursos humanos - Pocos recursos humanos

- Organización compleja - Organización poco compleja

- Gran duración en la - Obtención y análisis de la

obtención y análisis de la información en un corto
información periodo de tiempo
- Resultados precisos - Resultados muy precisos
DEFINICIONES BÁSICAS
 MUESTREO

No Probabilístico o Probabilístico ò
No Aleatorio Aleatorio

Simple Estratificado Sistemático Conglomerados

Conveniencia Por Juicio Por Cuota Por Bola de

nieve
MUESTREO ALEATORIO SIMPLE
(M.A.S.)
Método de selección de la muestra en un paso
El marco muestral debe ser una lista completa
Cada unidad tiene la misma probabilidad de
selección
Esta probabilidad es p = n/N
◦ donde n es el tamaño de la muestra
◦ y N es el tamaño de la población
Cada muestra (de n) tiene la misma probabilidad
de selección
 Muestreo Aleatorio Simple
Población N = 54 viviendas
Muestra n = 18
Fracción muestral p = n / N = 18 / 54 = 1/3
Cada vivienda tiene probabilidad de selección 1/3
Se seleccionan 18 números aleatorios entre 1 y 54
Se seleccionan las viviendas correspondientes
 Muestreo Aleatorio Simple

San José

Av 28 de Julio San Luis Av. circunvalación

San Pablo

San Carlos

San Ricardo

San Roberto

San Benito

Santo domingo

San Pedro
Muestreo Aleatorio Simple
Ventajas del MAS Desventajas del MAS
•Sencillez conceptual
•Tedioso eligir todos los
•Necesita como marco números aleatorios si n es
muestral sólo una lista de grande
todos los elementos de la
población •No utiliza información
auxiliar sobre la población
•Es fácil calcular las •Necesita una lista completa
estimaciones de valores de los elementos de la
poblacionales población
•Es fácil calcular las •Puede tener baja precisión
estimaciones de precisión comparado con otros
(varianza muestral) métodos
Muestreo Aleatorio Simple
El MAS se puede realizar:
Con reposición MASCR:
( n° de muestras:Nn )
•Seleccionar una unidad
•“Reemplazarla” en la
población
•Seleccionar otra, de la
población completa
•Continuar hasta obtener una
muestra de tamaño n
•Se puede seleccionar la
misma unidad más que una
vez
Sin reposición MASSR:
( n° de muestras:cN,n )
•Seleccionar una unidad
•“Sacarla” de la población
•Seleccionar otra unidad de las que
quedan y sacarla
•Continuar hasta obtener n unidades
distintas
•Cada unidad puede estar incluida una
sola vez
•Es más eficiente que el MASCR
•Se usa en la práctica
Ejemplo del MAS
Encuesta de las empresas sobre Gastos en
insumos
Población completa
Empresa Gastos • Población de seis
1 $ 26,000 empresas (N = 6)
• Propósito: estimar
2 470,000
gastos para compras
3 63,800 de insumos
4 145,000 • Presupuesto permite
5 230,000 sólo una muestra de
dos empresas (n = 2)
6 12,500
Total 947,300
Muestras Gastos Estimación
posibles observados del total
(1,2) 496,000 1,488,000
(1,3) 89,800 269,400
(1,4) 171,000 513,000
(1,5) 256,000 768,000
(1,6) 38,500 115,500
(2,3) 533,800 1,601,400
(2,4) 613,000 1,845,000
(2,5) 700,000 2,100,000
(2,6) 482,500 1,447,500
(3,4) 208,800 626,400
(3,5) 293,800 881,400
(3,6) 76,300 228,900
(4,5) 375,000 1,125,000
(4,6) 157,500 472,500
(5,6) 252,500 727,500
15 muestras posibles promedio 947,300/6
 ESTIMACION DEL TAMAÑO DE MUESTRA - “MAS”
VARIABLES CUANTITATIVAS

Elementos para calcular un tamaño de muestra

1. Información anterior de promedios y varianzas de variables
relacionadas con la investigación (Censos, encuestas, pilotos).
2. Elegir un nivel de confianza
( 90%, 95%, 99%) . Generalmente para
estudios macroregionales, regionales,
locales se elige 95%. Es decir:
Z = K = 1.96 (abscisa de la distribución
Normal)
3. Decidir sobre el margen de error (e ) que estamos dispuestos a tolerar
(Error máximo permisible = Error Absoluto aceptado).
( e = d .  Donde : d = Error Relativo Aceptado).
4. Tamaño de la Población ( N )
Fórmula para estimar el tamaño
de la muestra (M.A.S.)
no
n 2 2
ZS
no , donde : no = 2
1+ e
N

e = Margen de error. Es el error absoluto del Promedio

Poblacional ( e = d .  )

d = Es el error relativo aceptado (precisión)

 MUESTREO ALEATORIO PARA PROPORCIONES
VARIABLES CUALITATIVAS O DE ATRIBUTOS

X
POBLACIÓN  P= = Proporción poblacional
(N) N

= Número de elementos en la población, que tienen alguna

característica o atributo, o que caen dentro de alguna clase.

 Proporción muestral:
n
 xi Xˆ ESTIMADOR DE
pˆ = = LA PROPORCION

i =1
n POBLACIONAL

 n
MUESTRA

 Clase Poblacional
Estimador del Total de
Xˆ = N pˆ

n
 VARIANZA DE LA PROPORCION Y DEL TOTAL DE CLASE
MUESTRALES - “M.A.S”

En el muestreo aleatorio sin reposición las varianzas de la

Proporción muestral y del Estimador del Total de Clase están
dadas respectivamente por:

PQ  N − n  pˆ qˆ  N − n 
  V ( pˆ ) = n  N − 1 
VARIANZA DE LA
V ( pˆ ) = ˆ
PROPORCION 
MUESTRAL n  N −1   

PQ  N − n 
( ) ˆ qˆ  N − n 
( )
2
VARIANZA DEL N
ˆ ˆ ˆ 2 p
ESTIMADOR DEL V X =    V X =N  
TOTAL DE CLASE n  N −1  n  N −1 
n
donde: = f es la tasa muestral o fracción de muestreo
N
 ESTIMACION DEL TAMAÑO DE MUESTRA - “MAS”
(VARIABLES CUALITATIVAS O DE ATRIBUTOS)

 PQ  N − n  
Tenemos que: P  pˆ − P  Z    = 1−
 n  N − 1  

Tal que, el error de estimación no debe ser mayor que un valor

dado “e” ( ERROR MAXIMO PERMISIBLE O ERROR ABSOLUTO ACEPTADO):

 PQ  N − n  
 Z  pˆ  e  Z   e
2 2
pˆ
2
 Z 2
   e 2

 n  N − 1 
no
n e = d.P
 1 + ( no − 1) , donde : no = Z PQ
2
d = error relativo
N e 2
aceptado (precisión)
MUESTREO SISTEMATICO
•Es otro muestreo que también le asigna igual probabilidad de
inclusión uniforme para todos, como el simple al azar.
•Nuevamente esta probabilidad es n/N.
•Es conveniente por su simplicidad ya que se necesita sólo un
número aleatorio.
•Fácil de seleccionar en campo o durante el operativo
•Se logra en general una muestra más “representativa” de la
población.
•No es necesario conocer el tamaño de la población N si se
conoce la fracción de muestreo.
•Origina muestras bien dispersas desde el punto de vista
geográfico.
•Se emplea generalmente en las últimas etapas en diseños en
varias etapas o más complejos.
¿Cómo se selecciona una muestra
sistemática?

Paso 1: Fijar el tamaño de la muestra, n.

Paso 2: Determinar un paso o intervalo, I=N/n.
Seleccionar un número al azar entre 1 y I; sea ese número igual a
k.
Seleccionar las unidades k, k+I, k+2I, k+3I, k+4I,...... Hasta llegar
a completar las n necesarias.

➢1 ➢2 ➢3 ➢N
MUESTREO SISTEMATICO: Ejem. 1
➢Población de tamaño N = 30, muestras
posibles sistemáticas de tamaño n = 6.
➢Intervalo selección k = N / n = 30/6 = 5
➢Muestras posibles de tamaño n = 6 :
➢1ra muestra: 1 6 11 16 21 26
➢2da muestra: 2 7 12 17 22 27
➢3ra muestra: 3 8 13 18 23 28
➢4ta muestra: 4 9 14 19 24 29
➢5ta muestra: 5 10 15 20 25 30
Ejem. 2: Seleccionar muestra de n = 20
empresas de lista de N = 500 empresas
Esto significa que 1 de cada 25 empresas de la población se
seleccionará
Utilizando # al azar seleccionamos un número entre 1 y 25.
Suponga que el # seleccionado es 7.
Entonces la 1ra empresa. selecc. es el # 7.
Las otras 19 empresas de la muestra se obtienen sumando al 7
el intervalo de selección 25.
Es decir: 07, 32, 57 , ..........
Ejem.2 : La muestra de n = 20 empresas seleccionadas de
N = 500 empresas es:

➢07 32 57 82 107
➢132 157 182 207 232
➢257 282 307 332 357
➢382 407 432 457 482

➢ Una ventaja del método sistemático es que la muestra se distribuye

por igual en las diversas empresas.
MUESTREO ESTRATIFICADO
Proceso de división de la población en grupos
homogeneos llamados estratos, para luego
seleccionar muestras independientes en cada
estrato
Variables de estratificación pueden ser
geográficas o no-geográficas
Estratificación se limita a los elementos de
información disponibles en el marco muestral
 RAZONES PARA LA ESTRATIFICACION
1. Protegernos contra la posibilidad de obtener una mala
muestra.

2. La estratificación se utiliza para disminuir las

varianzas de los estimadores ( disminuir la
varianza para obtener estimaciones más precisas)
3. Se pueden formar estratos para aplicar diferentes
métodos y procedimientos de muestreo dentro de
cada estrato. (Selección de la muestra y
procedimientos de recojo de información).
MUESTREO ALEATORIO ESTRATIFICADO ( MAE )

POBLACION ESTRATOS
ESTRATO 1
(Empresas
grandes)
N1 n1
ESTRATO 2
(Empresas
medianas)
N2 n2
ESTRATO 3
(Empresas
pequeñas) N3 n3
L
Tal que, N = N1 + N 2 + N 3  N =  Nh
h =1
L
n = n1 + n2 + n3  n =  nh
h =1
 ESTRATIFICACION DE LA POBLACION DE 267,694
CLIENTES (EDELNOR)

Nº ESTRATOS Nº de clientes % de clientes

de (Sub-estaciones (Tamaño del (Ponderación
estrato del estrato)
transformación) estrato)
h =1 Canto Grande N1 = 57,241 W1 = 21.4
h =2 Jicamarca N2 = 37,932 W2 = 14.2
h=3 Mirones N3 = 41,157 W3 = 15.4
h=4 Santa Rosa N4 = 66,440 W4 = 24.8
h=5 Tacna N5 = 64,924 W5 = 24. 2
TOTAL N = 267,694 100.0
MUESTRA DE 500 CLIENTES DE LA POBLACION DE 267,694 CLIENTES
(EDELNOR)

Nº ESTRATOS % de clientes Nº de clientes

de (Sub-estaciones (Poderación del (Tamaño del
estrato estrato)
transformación) estrato)
h =1 Canto Grande W1 = 21.4 n1 = 107
h =2 Jicamarca W2 = 14.2 n2 = 71
h=3 Mirones W3 = 15.4 n3 = 77
h=4 Santa Rosa W4 = 24.8 n4 = 123
h=5 Tacna W5 = 24.2 n5 = 122
TOTAL 100.0 n = 500
RESULTADOS MUESTRALES DE 500 CLIENTES: promedio
muestral mensual y desviación estándar de consumo por estratos
N° ESTRATOS Clientes Media Desviación
estándar
nh xh sh
1 Canto Grande 107 1,200 10,000
2 Jicamarca 71 800 6000
3 Mirones 77 3,000 30,000
4 Santa Rosa 123 2,350 25000
5 Tacna 122 2,100 20,000
TOTAL 500 2,000 22,000
 AFIJACION DE LA MUESTRA
Se da el nombre de afijación al reparto,
asignación o distribución de la muestra (n)
entre los diferentes estratos. Tal que:

n1 + n2 + n3 + ..... + nL = n
1. AFIJACION PROPORCIONAL

 Nh 
nh = n   = nWh
 N 
nh N h nh n
 = o = o fh = f
n N Nh N
2. AFIJACION DE NEYMAN ( O DE MINIMA VARIANZA)

La afijación de Neyman o afijación de mínima

varianza, consiste en determinar los valores de nh
de forma que para un tamaño de muestra (n) fijo, la
varianza V ( X st ) sea mínima.

 
 N S 
nh = n  L h h 
 
  N h Sh 
 h =1 

2
donde : S : cuasivarianza poblacional del estrato h
h
3. AFIJACION DE OPTIMA

La afijación óptima, consiste en minimizar la varianza para

un coste fijo. Es decir,
L
minimizar V ( X st ) con la

condición de que: C n = C
h h
h =1 donde :
  C : costo total
 N h Sh  Ch : costo por unidad en el

nh = n  L 
Ch estrato h (costo unitario)

 N h Sh 

Sh2 : cuasivarianza poblacional
Ch  del estrato h
 h =1 
NOTA: Cuando Ch = constante  h, la Afijación
Optima coincide con la Afijación de Neyman
MUESTREO POR CONGLOMERADOS
Es un proceso de muestreo en dos pasos:
• Agrupar la población en conglomerados que se
pueden identificar en mapas y en el terreno.
• Seleccionar una muestra de conglomerados y
entrevistar todos los elementos de aquellos.
• Conglomerados pueden ser agrupaciones naturales o
artificiales.
• Posiblemente disponibles de fuentes como el Censo
(manzanas, etc.)
• Los que diseñan la encuesta tal vez tengan que
conformarlos.
• Se entiende la población como jerarquía de unidades
personas viven en viviendas viviendas constituyen
manzanas muchas manzanas hacen una ciudad.
➢Encuesta de estudiantes

➢ = Escuelas ➢ = Estudiantes
➢Muestra por conglomerados

➢ = ➢ = Estudiantes ➢ = Seleccionados
Escuelas
MUESTREO POR CONGLOMERADOS

Ventajas: Desventajas:
• Se pueden utilizar aun • Tendencia de unidades
cuando no haya lista de vecinas de ser
unidades de la población. semejantes reduce la
• Para entrevistas personales, precision.
el tiempo y costo de viajes se • Dado n fijo, sería
reduce muchísimo, sobre menos eficiente
todo para poblaciones • Pero si se consideran
rurales. los costos en el terreno,
• Se necesita sólo una lista de la posibilidad de
conglomerados O la aumentar n implica
posibilidad de construirla. menor pérdida de
precisión en la práctica.
 ¿ PORQUE USAR MUESTREO POR
CONGLOMERADOS ?
La construcción de una lista de unidades de observación
para el marco de muestreo puede ser difícil, cara e
imposible.
La población podría estar muy dispersa geográficamente
o aparecer en cúmulos naturales, como las escuelas,
hospitales, manzanas, familias.
El muestreo por conglomerados se utiliza en la práctica
debido a que es más barato y conveniente obtener
muestras por conglomerados que al azar entre la
población.
 MUESTREO POR
CONGLOMERADOS
La población está particionada en N conjuntos que llamaremos
“Conglomerados”
No se cuenta con una lista de unidades de la población, pero se
tiene una lista de los conglomerados.
La forma de obtener una muestra consiste en escoger n
conglomerados, y en cada uno de ellos se observan todas las
unidades de población que estaban en cada conglomerado
selecionado.
Este procedimiento de obtener la muestra se denomina muestreo
por conglomerados.
 MUESTREO POR CONGLOMERADOS :
Ejemplo
Número de niños por manzana
Las 3510 manzanas de una ciudad se localizan en
90 poblados (urbanizaciones, conjuntos
habitacionales).
El número de manzanas en las diferentes
urbanizaciones, C.H. no es el mismo .
Se selecciona una muestra aleatoria simple de 15
poblados y se determina el # de niños por
manzana.
 FORMULAS DEL TAMAÑO DE MUESTRA

Cualitativa Cuantitativa
VARIABLE
(Proporción Poblacional) (Promedio Poblacional)

POBLACION INFINITA Z 2 P(1 − P) Z 2S 2

(Cuando no se conoce n0 = n0 =
N) E2 E2

Z 2 P(1 − P) N Z 2S 2 N
n= 2 n= 2
E ( N − 1) + Z 2 P(1 − P) E ( N − 1) + Z 2 S 2
POBLACION FINITA
(Cuando se conoce N)
PASOS A SEGUIR PARA DETERMINAR LA MUESTRA:

1. Identificar el tipo de variable a analizar.

2. Asumir que la población es infinita y aplicar la formula
respectiva.
3. Esta muestra obtenida preliminarmente se llama muestra
previa (no)

4. Luego si se conoce el tamaño de la población N, obtener la

fracción de muestreo n0
N
n
• Si N0  5%, entonces la muestra definitiva es n0 (muestra previa)
• Si n0  5% , entonces se ajusta la muestra.
N
5° Para ajustar la muestra se tiene que aplicar la
siguiente formula:
n0
n= , n es la muestra final.
n
1+ 0
N
PARA UNA VARIABLE
CUANTITATIVA
a. Un nivel de confianza: Que es adoptado por
el investigador, el cual puede ser 90%, 95%
o 99% y que origina el valor de Z.
b. El error de estimación (E): Que también es
fijado por el investigador
c. La desviación estándar ó varianza: que son
valores que se obtienen por estudios
anteriores, por la muestra piloto o por la
distribución de la población.
d. El Tamaño de la población (N): Que
generalmente no se conoce
PARA UNA VARIABLE
CUALITATIVA
a. Un nivel de confianza: Que es adoptado por
el investigador, el cual puede ser 90%,
95% o 99% y que origina el valor de Z.
b. El error de estimación (E): Que también es
fijado por el investigador
c. La proporción poblacional (P): que son
valores que se obtienen por estudios
anteriores, por la muestra piloto y si no se
conoce asumir p=0.5.
d. El Tamaño de la población (N): Que
generalmente no se conoce.

VALORES DE LA DISTRIBUCIÓN NORMAL

ESTANDARIZADA(Z)
Nivel de confianza Nivel de significancia Valor Zα/2
(1-) () Bilateral
90% = 0.90 10% = 0.10 1.64
95% = 0.95 5% = 0.05 1.96
99% = 0.99 1% = 0.01 2.58
APLICACIÓN:
Variable Cualitativa: (Proporción Poblacional)

CASO: EXPLOTACION DEL CERRO QUILISH-

CAJAMARCA

Z 2 PQ
Se desea estimar la n0 =
proporción de que esta en E2
desacuerdo con la explotación
del Cerro Quilish. Se desea 1.962 * (0.80)(0.20)
n0 = 2
= 246
considerar un 95% de (0.05)
confianza, un error de 5%.De 246
estudios anteriores se sabe n = = 219
246
que esta proporción es de 1+
2000
p=80% (estimada).
Si N = 2000. Calcular n
APLICACIÓN:
Variable Cuantitativa: Promedio Poblacional

CASO: TIEMPO EN REALIZAR UNA TAREA

Se desea estimar el tiempo

Z 2S 2
promedio que demora el personal n0 =
al efectuar el techado de una E2
vivienda. En un estudio anterior se
encontró que el promedio=3.5
horas teniendo en cuenta 1.962 * (2.2) 2
información anterior y S=2.2. n= 2
= 152
(0.35)
horas. Considerando un error de
E=±0.35 horas. a) Calcular n
152
n = = 142
152
b) Si N = 2000. Calcular n 1+
2000
Tamaño de muestra para estimar µ
Ejemplo: Se quiere empezar una investigación para
estimar el tiempo promedio que demoran los proyectos
desarrollados por Enigma Project S.A. La estimación debe
realizarse a un nivel de confianza del 90% y un error
máximo permisible de 20 días. Considerando que la
desviación estándar de los tiempos de finalización de los
proyectos es 100 días, ¿cuántos de los proyectos
terminados por la empresa deberían constituir la muestra?
Tamaño de muestra para estimar π
Ejemplo: Se lleva a cabo un estudio para estimar el
porcentaje de ciudadanos de una ciudad que están a
favor de tener su agua fluorada. ¿Qué tan grande se
necesita que sea la muestra si se desea tener una
confianza del 95% de que la estimación esté dentro del
4% del porcentaje real?
Ejemplo: En un artículo de un periódico norteamericano
el 32% de los adultos encuestados dijeron que el
programa espacial estadounidense debe enfatizar la
exploración científica. ¿Qué tan grande se necesita que
sea la muestra de adultos en una nueva encuesta si se
desea tener una confianza del 95% de que el porcentaje
estimado esté dentro del 2% del porcentaje real?
APLICACIÓN:
Muestreo Aleatorio Estratificado (MAE)

CASO: GESTION MUNICIPAL

Se esta realizando un estudio de evaluación de la

Gestión Municipal en el distrito de Chocope. Se desea
determinar una muestra para estimar la proporción que
está de acuerdo con la gestión municipal. Se decidió
utilizar Afijación Proporcional En la actualidad se
desconoce la proporción que esta de acuerdo con la
gestión en cada estrato (p=0.5). Se asume un error de
E=0.03. Calcular n y distribuirla a cada estrato
APLICACIÓN:
Muestreo Aleatorio Estratificado (MAE)

CASO: GESTION MUNICIPAL

Nº Centro Poblado Nº viviendas Ph Qh Wh = Nh / N Ph.Qh.Wh no

1 Chocope 1397 0.5 0.5 0.5252 0.1313 400

2 Sintuco 289 0.5 0.5 0.1086 0.0272 83
3 Molino Cajanleque 207 0.5 0.5 0.0778 0.0195 59
4 Farias 139 0.5 0.5 0.0523 0.0131 40
5 Careaga 98 0.5 0.5 0.0368 0.0092 28
6 Mariposa Leyva 14 0.5 0.5 0.0053 0.0013 4
7 Mocollope 72 0.5 0.5 0.0271 0.0068 21
8 Molino Cajanleque 151 0.5 0.5 0.0568 0.0142 43
9 Molino Chocope 95 0.5 0.5 0.0357 0.0089 27
10 Molino Larco 125 0.5 0.5 0.0470 0.0117 36
11 La Constancia 73 0.5 0.5 0.0274 0.0069 21
TOTAL (N) = 2660 ΣPhQhWh = 0.2500 762

n=
(W P Q ) =h h h 0.25
= 1067 1067
2
0.03 2 n = = 762
E 1067
  (
1.96
) 1+
Z 2660