Estadı́stica para Ingenieros II

Muestreo Aleatorio

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Distribución normal
La función de distribución normal es:
1 − 12 ( x−µ 2
f (x) = √ .e σ ) , −∞ < x < ∞
σ 2π

X ∼ N (µ, σ 2)

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Caracterı́sticas

La distribución normal es posiblemente la dis-

tribución de probabilidad más conocida y más
aplicada en el campo de la estadı́stica debi-
do a que una gran cantidad muy grandes de
fenómenos reales pueden explicarse mediante
este modelo de probabilidad. Como la vida útil
de producción, coeficiente intelectual , obser-
vaciones astronómicas, etc.

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Caracterı́sticas

La curva normal tiene forma de campana

y es simétrica con respecto a su media.
Máximo valor de f(x) ocurre cuando x=µ
Los puntos de inflexión de f(x) esta en
x=µ ± σ
f (µ − a) = f (µ + a)
lı́m f (x) = lı́m f (x) = 0
x→−∞ x→∞
E(X)=µ ; Var(X)=σ 2
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Caracterı́sticas

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Distribución Normal Standart
Sea X una variable aleatoria cuya distribución
es normal con parámetros µ=0; σ=1 y esta
dado por la distribución:

1 1 2
f (x) = √ .e− 2 (x) , −∞ < x < ∞
2π
Una Variable aleatoria con distribución normal
se puede convertir en un distribución normal
estándar.
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Distribución Normal Standart
Si x es una observación de una distribución
con media µ y desviación estándar σ 2:
x−µ
z= ; Z ∼ N (0, 1)
σ
Este valor estándar también se le conoce como
valor-z. Las observaciones mayores que su me-
dia toman valores positivos cuando se estan-
darizan mientras los valores que son menores
a su media toman valores negativos.
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Niveles

La probabilidad de que el verdadero valor del

parámetro se encuentre en el intervalo se de-
nomina nivel de confianza y es 1-α y la pro-
babilidad de equivocarnos se llama nivel de
significancia y se representa α.

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Niveles
α = 0,10 entonces Z = 1,645
α = 0,05 entonces Z = 1,959
α = 0,01 entonces Z = 2,576

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Propiedad reproductiva de la Normal
siendo x1, x2, x3, ..., xn una muestra aleatoria
con Xi ∼ N (µ, σ 2) se tiene que:

M = x1 + x2 + x3 + ... + xn
E(M )=nµ
Var(M )=nσ 2
P
xi − nµ
Z= √ ∼ N (0, 1)
σ n

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Teorema de Lı́mite Central

El teorema del lı́mite central afirma que, pa-

ra grandes muestras aleatorias. La distribución
muestral de las medias está más próxima a una
distribución de probabilidad normal. La apro-
ximación es más precisa para muestras gran-
des. Siendo x1, x2, x3, ..., xn Variables inde-
pendientes e idénticamente distribuidas para
n grande (mayor a 30)

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Teorema de Lı́mite Central

n
X1 + ... + Xn X xi
X= =
n i=1
n
Se distribuye aproximadamente como una
2
N (µ, σn ) es decir que:

X −µ
√ ∼ N (0, 1)
σ/ n

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Estimación Puntual
Consiste en considerar como estimación del
parámetro poblacional al valor obtenido para
el estadı́stico de la muestra. Por ejemplo x es
la estimación de µ o también que es la esti-
mación de σ
x1 + ... + xn
x=
n
(x − x)2
P
2
s =
n−1
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Muestreo Aleatorio
Población: Es la totalidad de personas, obje-
tos, elementos, etc. que tiene una o mas carac-
terı́sticas observables de aspecto cualitativo o
cuantitativo.
Muestra: Son las medidas descriptivas defi-
nidas en una población, por lo general se des-
conocen.
Media (µ) La Proporción (p)
La Varianza (σ 2) La desviación (σ)
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Muestreo Aleatorio

Si la distribución de la población es descono-

cida, podemos estar interesados en conocerla.
Para esto, en vez de examinar la población en-
tera lo cual puede ser muy complicado, costo-
so y que demande mucho tiempo el realizarlo.
Mejor seria tomar una muestra con el propósi-
to de inferir la información obtenida.

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Ejemplo de encuesta de opinión

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Ejemplo de encuesta de opinión
Ficha técnica
Ipsos Opinión y mercado S.A. Número de re-
gistro: 0001-REE/JNE. Sistema de muestreo:
probabilı́stico polietápico. Muestra: 1,190 per-
sonas entrevistas. Fecha de aplicación: 11 al
13 de febrero del 2020. Margen de error:±2,81 %.
Nivel de confianza: 95 %. Marco muestral: va-
rones y mujeres adultas en el Perú (23’351,001
personas).
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Muestreo Probabilı́stico
Para que la inferencia estadı́stica sea válida el
muestreo debe ser aleatorio o probabilı́stico,
esta condición se refiere a que cada elemento
del universo debe tener la misma probabilidad
de ser elegido en la muestra y que dicha pro-
babilidad puede ser medida.
Si se utilizan métodos no probabilı́sticos, no
todos los elementos de la población tienen la
misma posibilidad de ser incluidos en la mues-
tra y los resultados serán muy sesgados.
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Tipos de Muestreo Probabilistico

Muestreo aleatorio simple

Muestreo Estratificado
Muestreo Sistematico
Muestreo por Conglomerados

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Muestreo Aleatorio Simple

Es aquella que selecciona la muestra de tal

forma que cada uno de los elementos o per-
sonas en la población tenga las mismas pro-
babilidades de ser incluido, puede ser por sor-
teo, utilizando tablas o el uso de calculadoras
electrónicas. La probabilidad será n/N donde
n indica tamaño de la muestra y N tamaño
de la población. El elegir un numero de una
loterı́a es un proceso similar.
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Muestreo Aleatorio Simple

Ventajas
Es sencilla, necesita como marco muestral solo
una lista de todos los elementos de la pobla-
ción.
Desventajas
Tedioso elegir todos los números aleatorios si
n es grande, se necesita una lista completa de
los elementos de la población y puede tener
baja precisión comparado con otros métodos.
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Muestreo Sistematico
Es aquella en que sus elementos se eligen de
la población a intervalos uniformes a partir de
un listado ordenado. El k-esimo elemento de
la muestra es k=N/n.
Paso 1: Fijar el tamaño de la muestra n.
Paso 2: Determinar un paso o intervalo, k=N/n.
Seleccionar un número al azar entre 1 y k; sea
ese número igual a A. Seleccionar las unidades
A, A+k, A+2k, A+3k, A+4k,...... Hasta llegar
a completar las n necesarias.
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Ventajas y Desventajas
Es conveniente por su simplicidad ya que
se necesita un solo numero aleatorio.
Se logra una muestra mas representativa
No es necesario conocer el tamaño de la
población N si se conoce la fracción del
muestreo.
La desventaja es que solo hay selección
aleatoria para la primera unidad de la
muestra.
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Muestreo Estratificado

Proceso de división de la población en grupos

homogéneos llamados estratos, para luego se-
leccionar muestras independientes en cada es-
trato. Estratificación se limita a los elementos
de información disponibles en el marco mues-
tral.

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Muestreo Estratificado

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Ventajas y desventajas
Protegernos contra la posibilidad de obte-
ner una mala muestra.
La estratificación se utiliza para disminuir
las varianzas de los estimadores ( dismi-
nuir la varianza para obtener estimaciones
más precisas)
La desventaja es que los análisis son com-
plicados en muchos casos la muestra tiene
que ponderarse.
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Muestreo por Conglomerado
Se toma una muestra aleatoria simple de con-
glomerados de elementos y se muestrea todos
los elementos del conglomerado seleccionado.
A este modelo de muestreo se llama “Por con-
glomerados”, ya que una vez seleccionado un
elemento para la muestra, se incluyen también
a todos los elementos que estén alrededor de
él. A diferencia del muestreo estratificado, este
muestreo no requiere que los elementos ten-
gan caracterı́sticas homogéneas.
Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel
Muestreo por Conglomerado

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Tipos de Muestreo no Probabilı́sticos

No tiene mayor peso metodológico por no te-

ner los sujetos los mismos chances de ser ele-
gidos.
Convencional: Se decide quien participa
Incidental: Como es que llegaron
Voluntarios: Que deseen participar

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel

Tipos de Muestreo no Probabilı́sticos

Se aplica cuando es una población no muy

común, cuando no se dispone de un marco dis-
ponible, para propósitos de muestreo y cuando
no se requiere exactitud en las estimaciones.
Son apropiados para investigaciones cualitati-
vas, ya que no se busca representatividad sino
punto de vista.

Universidad Antonio Ruiz de Montoya Ing. López Esquivel Miguel Ángel