Estadística II Prf: Betty Mendoza

TEORÍA ELEMENTAL DEL MUESTREO

En muchas investigaciones es imposible o innecesario tener los datos de la población completa. Los datos de
sólo una parte de la población pueden dar la información necesaria para tomar una decisión o probar una
hipótesis referente a toda la población. Es necesario, por lo tanto elegir una muestra representativa que
tenga un tamaño más manejable.
Ejemplo 1:
Si interesa conocer el rendimiento académico de estadística en una población de 600 estudiantes. No es
práctico tomar toda la población. Ésta puede estimarse tomando sólo 120 datos de esa población, lo que
representa el 20% del total. Esta parte de la población se le conoce con el nombre de muestra.

La muestra se utiliza entonces para sacar conclusiones sobre la población que interesa. Cuando se confía en
una muestra para sacar alguna conclusión o inferencia sobre la población, se entra en el campo de la
Estadística Inferencial.

1.- Muestreo
Es la técnica o procedimiento empleado para seleccionar la muestra de una población estadística. La
experiencia ha determinado que una muestra, para que sea representativa de la población debe estar
comprendida entre 10% y 20%, ambos inclusive.
-Razones que justifican el uso del muestreo
a) Imposibilidad de revisar todos los elementos de la población: Una enumeración completa de la población
llamada Censo, puede ser económicamente imposible o no contar con el tiempo suficiente para hacerlo
b) Costo: Estos disminuyen al obtener los datos de una pequeña parte del total de la población, a los que se
tendrían si se realiza un censo
c) Tiempo: la recolección y resumen se harán con mayor rapidez al considerar una parte del total,
importante si se requiere la información con urgencia
d) Precisión: Las posibilidades de usar personal más compacto y supervisar el trabajo de campo y el
procesamiento de la información, inciden en la obtención de resultados más exactos

2.- Tipos de muestreos más comunes

Para la selección de muestras de una población se emplean los siguientes:
- Muestreo no aleatorio o de juicio
- Muestreo aleatorio o probabilístico
2.1 Muestro no aleatorio: La muestra es seleccionada de acuerdo a opiniones o criterios personales, para
obtener información sin mucho costo. Este método puede ofrecer resultados útiles, por ejemplo cuando sólo
se necesiten estimaciones generales que no se tomaran para decisiones importantes. Esté tipo de muestreo se
caracteriza porque:
a) la muestra consiste de los elementos que están más a la mano
b) la muestra se restringe a la parte de la población que es más accesible
c) la muestra esta compuesta por voluntarios.
2.2 Muestreo aleatorio o probabilístico. Asigna a cada elemento de la población la misma probabilidad de ser
seleccionado. Dentro de este tipo se encuentran los siguientes:
- Muestreo aleatorio simple
- Muestro sistemático
- Muestreo estratificado
- Muestreo por conglomerado
a) Muestreo aleatorio simple. Aplica un método por el cuál todas las muestras posibles de un determinado
tamaño tengan la misma probabilidad de ser elegidas. Existen dos métodos como mínimo, de elegir una
muestra aleatoria.
- Método del bingo: Consiste en etiquetar N papeles o cualquier otro objeto del 1 al N se introducen en una
caja o bolsa, se agitan, luego se extraen uno ala vez hasta que se hayan seleccionado “n “artículos donde “n
“es el tamaño deseado de la muestra
Los miembros de la población que correspondan a los números de los artículos extraídos son incluidos en la
muestra. La desventaja de este método es que sí la población es muy grande puede ser difícil o imposible de
implementar.
- Tabla de números aleatorios. Esta tabla contiene los dígitos 0, 1,2,…7, 8,9. Tales dígitos se pueden leer
en forma individual o en grupos y en cualquier orden, en columnas hacia abajo, columnas hacia arriba, en
fila, diagonalmente, etc y es posible considerarlos aleatorios.
Para utilizarla se debe:
- Numerar consecutivamente los elementos de la lista empezando con el cero ( 0, 00, 000, . . . )
- Tomar los números de una tabla de números aleatorios de manera que la cantidad de dígitos de cada uno
sea igual a la del último elemento numerado de su lista. Por ejemplo, si el último número fue 18, 56 ó 72 se
deberá tomar un número de dos dígitos.
- Omitir cualquier dígito que no corresponda con los números de la lista o que repita cifras seleccionadas
anteriormente de la tabla, continuar hasta obtener el número de observaciones deseadas.
- Utilizar los números aleatorios seleccionados para identificar a los elementos de la lista que se habrán de
incluir en la muestra
Ejemplo del uso de una muestra aleatoria: Rafael Pérez, presidente y fundador de la empresa Pérez &
Asociados, planifica en la actualidad un nuevo programa de marketing con el objetivo de incrementar las
ventas .Para aplicar el programa hace falta elegir una muestra aleatoria de los clientes del pasado. El señor
Pérez no tiene la ventaja de contar con formación estadística adecuada y tiene que contar con usted, su
especialista en marketing recién contratado, para tomar una muestra correcta. Sin embargo el señor Pérez
es consciente de que la muestra ha de ser representativa de la población si se quiere minimizar el error
muestral. Él espera que usted le explique y justifique su método de elección.

Solución: A lo largo de los tres últimos años ha habido más de 1000 clientes, (período seleccionado para el
estudio). Su muestra se elige a partir de una lista de estos clientes, inscritos en los archivos de la empresa, a
cada uno de los cuales se asigna un número de identificación consecutivo. Luego se utiliza una tabla de
números aleatorios para elegir una muestra del tamaño deseado. Usted le explicara al señor Pérez que esta
técnica produce una muestra de la población que tiene la misma probabilidad de ser elegida que cualquier
otra muestra de ese tamaño. Dada la aleatoriedad de esta selección, es de suponer que la muestra es
representativa de la población.
b) Muestreo Sistemático: Una muestra sistemática consiste en la selección de cada término enésimo de una
lista conformada por la numeración ordenada y sistemática de todos los individuos de la población.
Por ejemplo: una población compuesta por 5000 alumnos, se numera o codifica esa población ; después se
elige al azar un número entre el 1 y el 10 ( la muestra la conforman uno de cada 10 alumnos ). Seleccionado
el número se completa la muestra, tomando cada diez después del número elegido. Suponga que se elige el
número 5. La lista la conforman los alumnos numerados con los números 5,15, 25,35, 45, . ..
c) Muestreo Estratificado: En una muestra estratificada, la población se divide en un determinado número
de grupos o estratos, considerando ciertos criterios de clasificación. La finalidad de la estratificación, es
obtener un grupo homogéneo, respecto a la característica de estudio. De cada grupo o estrato se selecciona
una muestra aleatoria simple y estas submuestras se combinan en una gran muestra.
En el muestreo estratificado la muestra debe estar en proporción a la población total, lo que se quiere no es
comparar los números de sujetos, sino tratar grupos homogéneos.
Ejemplo 3: Un médico nutricionista realiza una encuesta a los estudiantes de la U.C (Universidad de
Carabobo), para hacer una estimación semanal de la comida que más gusta en el comedor. El analista
selecciona el 18% del total de una población de 2200 estudiantes.
a.- divida la población estudiantil en estratos (Básico y especialidad)
b.- tome una muestra proporcional a la población total. Por ejemplo si se establece que la muestra debe
contener el 18% de la población, habrá 396 estudiantes en ella.
c.- seleccione la muestra aleatoria simple por cada estrato, usando la tabla de números aleatorios

POBLACION MUESTRA

ESTRATOS n° DE ESTUDIANTES n° DE ESTUDIANTES ( 18%)

Básico 700 126

Especialidad 1500 270

2200 396

d) Muestreo por Conglomerado: En este caso se seleccionan grupos, en vez de elementos.

Ejemplo: La Universidad Experimental Libertador tiene 8 núcleos en todo el país. Si cada núcleo tiene 4000
alumnos, para un total de la población de 32000 alumnos Se quiere estudiar el rendimiento en una
asignatura, se decide extraer una muestra de 12000 alumnos. En el muestreo por conglomerados, es
suficiente con elegir tres núcleos al azar. Este método no exige la numeración de la población

Otros métodos de Muestreo:

e) Muestreo Bola de Nieve: Se localizan algunos elementos de la población, estos conducen a otros y estos a
otros y así sucesivamente hasta consignar una muestra suficiente, es la técnica utilizada por la investigación
cualitativa.
f) Muestreo Casual: Se seleccionan en forma arbitraria los elementos de la población, sin un juicio o criterio
preestablecido. Por ejemplo, cuando un periodista se ubica en un sector, aborda a los transeúntes que pasan
por el lugar y les hace preguntas de un aspecto de interés para el periodista.

3.- Distribuciones Muestrales.

3.1 -Definiciones Básicas:
a) Parámetro. Es una medida resumen que se calcula para describir una característica de una población.
2
Ejemplo: - La media poblacional ( μ ) : La varianza poblacional (σ ) ; la proporción poblacional ( π)
b)Estadístico. Valores que describen las características de una muestra.
2
Ejemplo: la media muestral ( 𝑥 ), la varianza muestral ( 𝑠 ), la proporción muestral ( p), el mínimo. El
máximo y el rango.
El estadístico se utiliza como estimador del parámetro. Para emplear un estadístico como estimador de un
parámetro la muestra debe ser aleatoria
Dado que un estadístico es una variable aleatoria que depende únicamente de la muestra observada debe
tener una distribución de probabilidad. Si se consideran todas las posibles muestras de tamaño n en una
población dada y se calcula para cada muestra un estadístico ( tal como la media o desviación típica ),
Que variara de muestra a muestra, se obtendrá una distribución que se denomina distribución de muestreo.

3.2.- Distribución Muestral. Es la lista de todos los valores posibles de un estadístico y la probabilidad
asociada a cada valor. La distribución muestral de un estadístico depende del:
- tamaño de al población
- tamaño de la muestra
- del método de selección de la muestra

3.2.1 Distribuciones Muestrales de uso frecuente en Estadística.

Son de interés las siguientes:
a) Distribución muestral de medias
b) Distribución muestral de proporciones
c) Distribución muestral de sumas y diferencias
- Distribución Muestral de Medias ( 𝑥 )
Sean todas las posibles muestras de tamaño “n” tomadas sin restitución de una población de tamaño
N > n. Entonces, si se denota:
µ𝑥 = media de la distribución muestral de medias
σ𝑥 = desviación típica de la distribución muestral de medias
μ = 𝑚𝑒dia de la población
σ = desviación típica de la población

Media de la distribución muestral de medias o la media de las medias muestrales µ𝑥 ( )

La distribución muestral de las medias muestrales es un simple listado de todas las medias muestrales
posibles. Como cualquier otra serie números estas muestras tienen una media aritmética: se llama media de
las medias muestrales. Se calcula de manera habitual se suman las observaciones individuales ( medias
muestrales) y el resultado se divide por el número de observaciones ( muestras).Esto es:

∑𝑥
μ𝑥 = 𝑘

Donde k, es el número de muestras

Nota 1: La media de las medias muestrales es igual a la media aritmética de la población. La media general
siempre será igual a la media poblacional. Si se tuviera que tomar cada muestra posible de tamaño n de una
población y se calculase cada media muestral, la media aritmética de esas medias muestrales sería igual a la
media de la población.
μ𝑥 = μ indica que la media de la distribución muestral de medias es igual a la media poblacional

El valor esperado delas medias muestrales es igual a la media poblacional. Es decir: 𝐸(𝑥) = μ
Nota 2: Es preciso tener cuidado de no confundir “ n”, número de observaciones de una muestra . con K
número de muestras posibles

Error típico de la Distribución muestral

La distribución muestral de las medias muestrales tiene también una varianza. Esta varianza de la
distribución de todas las medias muestrales es como cualquier otra varianza. Mide la dispersión de las
observaciones individuales (medias muestrales) en torno a su media (media general). Esta varianza se
calcula como cualquier otra. Para hallarla es preciso:
1.- Determinar la cantidad en que cada una de las observaciones (medias muestrales) se aparta de su media
aritmética (media general)
2.- Elevar al cuadrado esas desviaciones
3.- Hallar la media de las desviaciones elevadas al cuadrado, y para ello dividir por el número de medias
muestrales
2
Es decir, si σ𝑥 es la varianza de la distribución muestral de las medias muestrales, será:
2

2
(
∑ 𝑥−µ𝑥 )
σ𝑥 = 𝑘
Hallando la raíz cuadrada de la varianza de a distribución de estas medias muestrales, se tiene el error típico
de la distribución muestral. Por lo tanto
2
σ𝑥 = σ𝑥
Error típico. Es la medida de la variación de las medias muestrales en torno a la media general. Por tanto,
mide la tendencia a incurrir en error de muestreo en el intento de estimar el parámetro
Nota 3.- Se puede encontrar una aproximación suficiente de la varianza y del error típico con mucha más
facilidad mediante las expresiones:
 2
2 σ σ
σ𝑥 = 𝑛
y σ𝑥 =
𝑛

Nota 4: σ𝑥 < σ debido a que las 𝑋 están menos dispersas que los datos originales. Es decir, el error típico
de la distribución muestral de medias , es más pequeño que la desviación típica de la población original

Factor de corrección con poblaciones finitas

Si el muestro se realiza en una población finita y la extracción se hace sin restitución, el proceso de muestreo
queda alterado porque la elección de los elementos de la muestra no es un suceso independiente. La
probabilidad de elegir un elemento dado en cualquier extracción depende de la selección previa si la
extracción se hace sin restitución. Si se quiere compensar esta modificación de probabilidades es preciso
utilizar el factor de corrección con poblaciones finitas (FPC) al calcular el error típico. Por lo tanto la
varianza de la distribución muestral con el factor de corrección será:

2
2 σ 𝑁−𝑛
σ𝑥 = ⎡⎢ 𝑛 ⎤⎥⎡ 𝑁−1 ⎤
⎣ ⎦⎣ ⎦
Y el error típico de la distribución muestral se convierte en:
σ 𝑁−𝑛 𝑁−𝑛
σ𝑥 = ⎡⎢ ⎤⎥ 𝑁−1 donde 𝑁−1
es el factor de corrección
⎣ 𝑛⎦
Esta expresión tiene en cuenta que N es finito y por lo tanto representa con más exactitud la variación
de la distribución muestral
Ahora bien, si n es pequeño en relación con N, el factor de corrección se aproxima a 1, entonces sólo se
utiliza si n es grande en relación con N. La regla práctica general consiste en utilizar el FPC sólo si n es
superior al 10% de N

Nota 5.-Si la población es infinita o si el muestreo es con reposición, los resultados anteriores se reducen a ,
σ
μ𝑥 = μ y σ𝑥 =
𝑛

Ejemplos de Ilustración
1.- Una población consta de los números 2, 3, 6, 8 y 11. Considere todas las muestras posibles de tamaño 2
que pueden tomarse con restitución de esa población. Hallar:
a) La media poblacional
b) La desviación típica poblacional
c) La media de la distribución muestral de medias
d) La desviación típica de la distribución muestral de medias
e) Resolver el problema para el caso de muestreo sin restitución
Solución:
∑𝑥
2+3+6+8+11
a) media poblacional (µ) ; N=5 datos μ = 𝑁
= 5
= 6 verifíquelo

2
∑(𝑥− μ) 2 2 2 2 2
2 2
b) varianza poblacional σ( ) σ = 𝑁
=
(2−6) +(3−6) + (6−6) +(8−6) + (11−6)
5
=10.8
 2
desviación típica poblacional σ = σ = 3, 29 verifíquelo

Observe que la población es finita N= 5 y el muestreo es con reposición

c) En este caso se tienen que calcular el número de muestras es decir k, como es con reposición será: 5(5)=25
muestras de tamaño n=2 , ya que cualquiera de los 5 números de la primera extracción puede combinarse
con uno cualquiera de la segunda. Estas combinaciones son:

(2,2) (2,3) (2,6) (2,8) (2,11)

(3,2) (3.3) (3,6) (3,8) (3,11)
(6,2) (6,3) (6,6) (6,8) (6,11)
(8,2) (8,3) (8,6) (8,8) (8,11)
(11,2) (11,3) (11,6) (11,8) (11,11
)

Ahora se calculan las medias de las muestras, tal como lo aprendió en Estadística I, así para la muestra
2+2 2+3
(2,2)= 2
= 2 , ( 2, 3)= 2
= 2. 5 y así sucesivamente para todas las muestras
El resultado general de medias muestrales es el siguiente:

2 2. 4 5 6.
5 5
2. 3 4. 5. 7
5 5 5
4 4. 6 7 8.
5 5
5 5. 7 8 9.
5 5
6. 7 8. 9. 11
5 5 5

∑𝑥
Y la media de la distribución muestral de medias es μ𝑥 = 𝑘

2+2,5+4+5+6.5+2.5+3+4.5+5.5+7+4+4.5+6+7+8.5+5+5.5+7+…+11
μ𝑥 = 25
=6

Observe, que se cumple μ𝑥 = μ

2

2
(
∑ 𝑥−µ𝑥 )
d) La varianza de la distribución muestral de medias σ𝑥 = 𝑘
 2 2 2 2 2 2 2 2
2 (2−6) +(2.5−6) +(4−6) +(5−6) +(6.5−6) +(2.5−6) +(3−6) …+(11−6)
σ𝑥 = 25

2 135
σ𝑥 = 25
= 5. 40 y por tanto σ𝑥 = 5. 40 = 2. 32

Observe que para poblaciones finitas y muestreo con reposición ( o para poblaciones infinitas)

2 2
2 σ σ 10.8
σ𝑥 = 𝑛
porque 𝑛
= 2
= 5. 40
e) En el caso del muestreo sin reposición
Se conservan la media poblacional μ = 6 y la desviación típica σ = 3. 29
El número de muestras se obtiene 5C2=10 ( en la calculadora con la tecla nCr) 10 muestras de tamaño 2
que se pueden elegir sin reposición de la población ( eso significa que sacamos un número y luego otro
distinto del anterior)resultando:

Muestras :(2,3), ( 2,6), (2,8), (2, 11), (3,6), (3,8), (3,11), (6,8),(6,11) y (8,11)

Nota 5: La selección (2,3) es la misma ( 3,2)

Media de muestras: 2.5 ; 4 ; 5, 6.5; 4.5; 5.5; 7; 7; 8,5; y 9.5

Media de la distribución muestral de medias

∑𝑥
2,5+4+5+6.5+4.5+5.5+7+7+8.5+9.5
μ𝑥 = 𝑘
= 10
=6

Varianza de la distribución muestral de medias es

2

2
(
∑ 𝑥−µ𝑥 ) 2 2 2 2 2
(2.5−6) +(4−6) +(5−6) +2(7−6) +(8.5−6) +(9.5−6)
2
σ𝑥 = 𝑘
= 10
= 4. 05

2
2 σ 2
σ𝑥 = 2. 01 empleando σ𝑥 = ⎡⎢ 𝑛 ⎤⎡ 𝑁−𝑛 ⎤ σ𝑥 = ⎡
10.8 5−2
⎤⎡ 5−1 ⎤ = 4. 05 como se obtuvo anteriormente
⎥⎣ 𝑁−1 ⎦ ⎣ 2 ⎦⎣ ⎦
⎣ ⎦

Error Típico y Normalidad

Si los datos de una población siguen una distribución normal, la distribución muestral de las medias
muestrales también será normal. Es decir , si de una población que sigue una distribución normal se toman
todas las muestras posibles de un tamaño determinado y después se calculan las medias de todas esas
muestras , las medias muestrales seguirán una distribución normal

Teorema Central del Límite:

Una distribución muestral de medias sigue una distribución normal si las muestra se toma de una población
normal .Pero en muchos casos la población no sigue una distribución normal .Entonces se aplica el Teorema
Central del Límite (TLC) que establece que para cualquier población, sea normal o no , la distribución
muestral se aproximará a la normalidad con tal que el tamaño de la muestra sea “ grande”
Aunque la población no responda a una distribución normal o no se conozca su distribución. El TLC,
permite deducir que la distribución muestral seguirá una distribución normal si el tamaño de la muestra es
suficiente. En general se acepta que si el tamaño de la muestra es n=30 como mínimo, es lo bastante grande
para concluir que el TLC garantizara una distribución normal en el proceso de muestreo , con
independencia de la distribución de la población original

Determinación de probabilidades para la media muestral

Puesto que la distribución muestral seguirá una distribución normal, se podrá utilizar la variable tipificada
para obtener la información necesaria para la toma de decisiones
Cuando se hace un muestreo la fórmula de transformación o fórmula Z se convierte en la variable
tipificada de la distribución muestral:

𝑋−μ
Z= σ𝑥

Donde 𝑥 es la media aritmética de una muestra de tamaño n

El procedimiento de cálculo es el mismo seguido en la distribución normal.
Ejemplos de Ilustración:
1) Un inspector de pesos y medidas visita una planta de empacado para verificar que el peso neto de las
cajas sea el indicado en éstas. El gerente de planta asegura al inspector que el peso promedio de cada caja es
de 750 gr con una desviación estándar de 5gr. El inspector selecciona al azar, 100cajas y encuentra que el
peso promedio es de 748 gr. Bajo estas condiciones ¿Que tan probable es tener un peso de 748 gr o menos ¿
Que actitud debe tomar el inspector?
Solución
Datos: n=100 cajas n≥30 se aproxima normal μ = 750𝑔𝑟 σ = 5𝑔𝑟 𝑋 =peso promedio de la
muestra

𝑝(𝑋 ≤748) = 𝑝 𝑧≤
( 748−750
5
100
) (
= 𝑝 𝑧≤
−2
0.5 ) = 𝑝(𝑧≤ − 4) = 0.
Es improbable que el peso sea inferior a 748gr o menos. El inspector debería seleccionar otra muestra con las
precauciones necesarias para garantizar su representatividad y verificar el resultado

2.- En un servicio de atención al cliente, el tiempo de espera hasta recibir atención es una variable normal
de media 10min y desviación típica 2 min. Se toman muestras aleatorias del tiempo de espera de los clientes
que llegan un día concreto, Determine: La probabilidad de que el tiempo medio de espera de una muestra de
25 clientes no supere los 9 minutos.
Solución:
Datos: n=25 clientes μ = 10𝑚𝑖𝑛 σ = 2𝑚𝑖𝑛
𝑋 = tiempo medio de espera

(
𝑝(𝑋 ≤9) = 𝑝 𝑧≤
9−10
2
25
) (
= 𝑝 𝑧≤
−1
0.4 ) = 𝑝(𝑧≤ − 2. 5)=0.0062=0.62%
3.-La duración de las baterías de un determinado modelo de teléfono móvil tiene una distribución normal de
media 34,5 horas y desviación típica de 6.9 horas .Se toma una muestra aleatoria simple de 36 teléfonos
móviles ¿cuál es la probabilidad de que la duración media de las baterías de la muestra este comprendida
entre 32 y 33,5 horas?
Datos:
σ 6.9 6.9
μ = 34. 5 σ = 6. 9 n=36 σ𝑥 = = = 6
= 1. 15
𝑛 36

𝑝(32 < 𝑥 < 33. 5) = 𝑝 ( 32−34.5

1.15
<𝑧 <
33.5−34.5
1.15 )
𝑝(− 2. 17 < 𝑧 <− 0. 87) = 𝑝(𝑧 <− 0. 87) − 𝑝(𝑧 <− 2. 17) =0.1772=17.72% verifíquelo

- Distribución muestral de Proporciones

Hay muchos casos en que sólo interesa si una observación en particular: cumple o no una determinada
características. Por ejemplo un político quiere saber si un votante, le votara o no. Un empresario quiere
saber si un cliente va a comprar o no va a comprar. Un médico esta interesado en saber si un medicamento
ayuda o no a su paciente. En todos estos casos sólo hay dos resultados: éxito o fracaso. El interés aquí es el
porcentaje o proporción de observaciones que cumplen la característica.
Si S denota el número de éxitos en una muestra, se tiene que la proporción muestral de éxitos es:
𝑠
P= 𝑛
Notaciones y fórmulas
𝑃= media de todas las proporciones muestrales
π=proporción de la población
π( 1−π)
σ𝑝 = error típico de las distribuciones muestrales de proporciones muestrales σ𝑝 = 𝑛
Cuando aumenta el tamaño de la muestra, el teorema central del límite se aplica a la distribución de
proporciones igual que a la distribución de medias. Así, la distribución de proporciones muestrales se
aproximara a la normalidad siempre que n > 50 y tanto nπ y n ( 1-π) sean mayores que 5 . Para
proporciones la fórmula tipificada se convierte en :
𝑝− π
Z= σ𝑝

Por otra parte si el muestreo se hace sin restitución a partir de una población finita y n > 0.10 N , se
necesita el factor de corrección con población finita ,entonces:

π( 1−π) 𝑁−𝑛
σ𝑝 = 𝑛 𝑁−1
Ejemplo de ilustración:
1.- Venus Cosmético, vende un producto ideado para que las personas parezcan más atractivas al sexo
opuesto. Los datos de la empresa indican que el 75% de todos los clientes potenciales con quienes se
establece contacto por correo compran el producto.
Ramiro envía 200 cartas en las que ofrece vender el producto. Tiene que hacer 160 ventas como mínimo
para financiarse el viaje que tiene planeado a los Roques ¿Cuál es la probabilidad de que lo consiga?
Solución:
 𝑠 160
n=200 π = 0. 75 s= 160 𝑝= 𝑛
= 200
= 0. 80 𝑛 > 50 nπ = 200(0. 75) = 150 se aproxima a
la distribución normal

(
𝑃(𝑝≥0. 8) = 𝑃 𝑧≥
0.80−0.75
0.75(1−0.75)
200
) 𝑝 = (𝑧≥1. 63) = 0. 0516 = 5. 16% No hay probabilidades de que

Ramiro viaje a los Roques

2 ) Se ha encontrado que el 2% de las piezas fabricadas en una cierta máquina son defectuosas ¿ Cuál es la
probabilidad de que en un envió de 400 piezas a) el 3% , o más y b) el 2% o menos , sean defectuosas?
Solución
π( 1−π)
Datos: π = 𝑝 = 0. 02 𝑛 = 400 σ𝑝 = σ𝑝 = 𝑛
La proporción es una variable discreta, usando la corrección 1/2n = ½(400)= 0.00125, se tiene:

a)𝑃(𝑝≥0. 03) = 𝑃 𝑧≥
( (0.03−0.00125)−0.02
0.02(1−0.02)
400
) 𝑃(𝑧≥1. 25) = 0. 1056 = 10. 56% es la probabilidad requerida

b) 𝑃(𝑝≤0. 02) = 𝑃 𝑧≤
( (0.02+0.00125)−0.02
0.02(1−0.02)
400
) 𝑃(𝑝≤0. 02) = 𝑃( 𝑧≤0. 18) = 0. 5714 = 57.14%de que el 2%

o menos las piezas fabricadas por la máquina sean defectuosas

3) En unas elecciones uno de los candidatos obtuvo el 40% de los votos. Hallar la probabilidad de que un
muestreo de a) 200 y b) 1000 votantes elegidos al azar saliera mayoría a su favor.
Solución.
π( 1−π) 0.46( 1−0.46)
a)π = 𝑝 = 0. 46 𝑛 = 200 σ𝑝 = 𝑛
= 200
= 0.0352
Usando la corrección por variables discretas , 1/2n= ½(200)= 1/400=0.0025, la muestra daría una mayoría si
la proporción a favor de tal candidato fuese 0.50 + 0.0025= 0.5025 o más.
(
P( p≥0.5) =P 𝑧 ≥
(0.5025−0.46
0.0352 )= 𝑃(𝑧≥1. 21) = 0.1131= 11.31%
π( 1−π) 0.46( 1−0.46)
b) π = 𝑝 = 0. 46 𝑛 = 1000 σ𝑝 = 𝑛
= 1000
= 0.0158

(
P( p≥0.5) =P 𝑧 ≥
(0.5025−0.46
0.0158 )= 𝑃(𝑧≥2. 69) = 0.0036= 0.36% de que en una muestra de 1000 votantes la
mayoría saliera a su favor.