CAPITULO 6

Estadística para administración y economía 

MUESTREO Y DISTRIBUCIONES DE MUESTREO

Los especialistas en estadística emplean la palabra muestra para describir una porción
escogida de la población. Además, a usan la palabra población para referirse no sólo a
personas sino a todos los elementos que han sido escogidos para su estudio.

Tipos de muestreo
Existen dos métodos para seleccionar muestras de poblaciones:
 El muestreo no aleatorio o de juicio: En el muestreo de juicio, se emplea el
conocimiento y la opinión personal para identificar a los elementos de la
población que deben incluirse en la muestra. Una muestra seleccionada por
muestreo de juicio se basa en la experiencia de alguien con la población
 El muestreo aleatorio o de probabilidad: En el muestreo de probabilidad, todos
los elementos de la población tienen la oportunidad de ser escogidos para la
muestra.

Métodos del muestreo aleatorio:

1. Muestreo aleatorio simple.
2. Muestreo sistemático.
3. Muestreo estratificado.
4. Muestreo de racimo.

Distribuciones de muestreo a detalle

 La distribución de población: Esta es la distribución de las horas de operación
de todos los filtros.
 RESUMEN

 La distribución de frecuencia de la muestra: Ésta sólo representa al enorme

número de distribuciones de muestra posibles. Cada distribución de muestra es
una distribución discreta y tiene: x = su propia media conocida como “x barra” s
= su propia desviación estándar
 Ésta sólo representa al enorme número de distribuciones de muestra posibles.
Cada distribución de muestra es una distribución discreta y tiene: x = su propia
media conocida como “x barra” s = su propia desviación estándar.

 La distribución de muestreo de la media: Esta distribución es la distribución

de todas las medias de muestra y tiene: mx = media de la distribución de
muestreo de las medias conocida como “mu x barra subíndice” sx = error
estándar de la media (desviación estándar de la distribución de muestreo de la
media) conocido como “sigma x barra subíndice.
 RESUMEN

La distribución de muestreo tiene una media igual a la media de la población.

La distribución de muestreo tiene una desviación estándar (un error estándar) igual a
la desviación estándar de la población dividida entre la raíz cuadrada del tamaño de la
muestra.

Estandarización de la medida de la muestra

El teorema del límite central

El teorema del límite central es, tal vez, el más importante de toda la inferencia
estadística, pues asegura que la distribución de muestreo de la media se
aproxima a la normal al incrementarse el tamaño de la muestra. La importancia
del teorema del límite central es que nos permite usar estadísticas de muestra
para hacer inferencias con respecto a los parámetros de población, sin saber
 RESUMEN

sobre la forma de la distribución de frecuencia de esa población más que lo que

podamos obtener de la muestra.

Error estándar de la medida para poblaciones finitas

Multiplicador de la población finita

Ecuaciones

Esta fórmula se utiliza para derivar el error estándar de la media cuando la población
es infinita, es decir, cuando los elementos de la población no pueden ser enumerados
en un plazo razonable, o cuando tomamos muestras con reemplazo. Esta ecuación
explica que la distribución de muestreo tiene una desviación estándar, que también
llamamos error estándar, igual a la desviación estándar de la población dividida entre
la raíz cuadrada del tamaño de muestra.
 RESUMEN

Esta fórmula nos permite determinar la distancia de la media de la muestra x- de la

media de población dividiendo la diferencia entre el error estándar de la media Una vez
que hemos derivado un valor z, podemos usar la tabla de distribución de probabilidad
normal estándar y calcular la probabilidad de que la media de muestra esté a esa
distancia de la media de población.

CAPITULO 7
Estadística aplicada a los negocios y la economía

ESTIMACION CON INTERVALOS DE CONFIANZA

En esta breve introducción nos da las razones para hacer estimaciones, la

elaboración de inferencias, uso de muestras estimaciones de parámetros que
serán detalladas más ampliamente a medida avanzamos con nuestra lectura.

Estimador: Un estimador puntual, utiliza un numero único o valor para localizar una
estimación del parámetro.
Estimaciones de intervalo: conceptos básicos

Iniciamos con la estimación puntual. Una estimación de intervalo describe un

conjunto o rango de valores dentro del cual es posible que esté un parámetro de
la población.

Búsqueda del error probable de esta estimación Para proporcionar tal

afirmación, necesitamos encontrar el error estándar de la media.
 RESUMEN

El fundamento de un intervalo de confianza

Un intervalo de confianza tiene un límite inferior de confianza (LIC) y un límite superior
de confianza (LSC). Estos límites se hallan calculando primero la media muestral, 𝑋̅.
Luego se suma una cierta cantidad a 𝑋̅ para obtener el LSC, y la misma cantidad se
resta de 𝑋̅ para obtener el LIC. La determinación de dicha cantidad es el tema de este
capítulo.

Interpretación de un intervalo de confianza

El promotor puede interpretar los resultados de su intervalo de confianza de dos

formas. La primera, y la más común, establece que el promotor tiene un "95% de
confianza en que la media poblacional real desconocida esté entre US$34,088.80 y
US$36,911.20". Aunque el valor real para la media poblacional sigue siendo
desconocido, el promotor tiene un 95% de confianza en que esté entre estos dos
valores. La segunda interpretación reconoce que se pueden desarrollar muchos
intervalos de confianza diferentes. Otra muestra probablemente produciría una media
muestral diferente debido al error de muestreo. Con una X diferente, el intervalo
tendría límite superior e inferior distintos. Por tanto, la segunda interpretación
establece que, si se construyen todos los 𝑁𝐶𝑛 intervalos de confianza, el 95% de ellos
contendrá la media poblacional desconocida.

Si una segunda muestra da una media de US$35,600 en lugar de US$35,500, el

intervalo es
 RESUMEN

El promotor puede estar un 95% seguro de que la media poblacional está comprendida
entre US$34,188.80 y US$37,011.20. Esto por supuesto significa que el 5% de todos
los intervalos estaría errado, no contendrían la media poblacional. Este 5%, hallado
como (l coeficiente de confianza), es denominado el valor alfa y representa la
probabilidad de error. El valor alfa es la probabilidad de que cualquier intervalo dado
no contenga la media poblacional.

Intervalo de confianza para la proporción poblacional

Las decisiones dependen con frecuencia de parámetros que son binarios, parámetros
con sólo dos posibles categorías dentro de las cuales pueden clasificarse las
respuestas. En este evento, el parámetro de interés es la proporción poblacional.

Intervalo de confianza para la media en el caso de muestras pequeñas. La

distribución t.
Cuando debe tomarse una muestra pequeña, la distribución normal puede no aplicarse.
El teorema del límite central asegura normalidad en el proceso de muestreo sólo si la
muestra es grande. Cuando se utiliza una muestra pequeña, puede ser necesaria una
distribución alternativa, la distribución t Student (o simplemente la distribución t).
Específicamente, la distribución t se utiliza cuando se cumplen las tres condiciones: (1)
la muestra es pequeña, (2) 𝜎 es desconocida, y (3) la población es normal o casi
normal. Si 𝜎 es conocida, la distribución Z se usa inclusive si la muestra es pequeña.
Además, si no puede asumirse una población normal, se aumenta el tamaño de la
muestra para utilizar la distribución Z y de no ser posible se debe confiar en las pruebas
no paramétricas.
 RESUMEN

Al igual que la distribución Z, la distribución t tiene una media de cero, es simétrica con
respecto a la media y oscila entre - ∞ y + ∞. Sin embargo, mientras que la distribución Z
tiene una varianza de 𝜎2 = l, la varianza de la distribución t es mayor que 1. Por tanto,
es más plana y más dispersa que la distribución Z. La varianza para la distribución t es

Varianza de la
distribución t

Determinación del tamaño apropiado de la muestra

El tamaño de la muestra juega un papel importante al determinar la probabilidad de

error, así como en la precisión de la estimación. Una vez que se ha seleccionado el
nivel de confianza, dos factores importantes influyen en el tamaño muestral: (1) la
varianza de la población 02 y (2) el tamaño del error tolerable que el investigador está
dispuesto a aceptar. Mientras que el primer factor está más allá del control del
investigador (no hay nada que se pueda hacer sobre la varianza de la población), sí es
posible limitar el tamaño del error.

Criterios para seleccionar un buen estimador

• Insesgado la media de la distribución muestral de las medias de las
muestras tomadas de la misma población es igual a la media de la
población misma.
 RESUMEN

• Eficiencia Otra propiedad deseable de un buen estimador es que sea

eficiente. La eficiencia se refiere al tamaño del error estándar del
estadístico. Si comparamos dos estadísticos de una muestra del mismo
tamaño y tratamos de decidir cuál de ellas es un timador más eficiente,
escogeríamos la estadística que tuviera el menor error estándar la menor
desviación estándar de la distribución muestral.

• Consistencia, al aumentar el tamaño de la muestra, se tiene casi la

certeza de que el valor del estadístico se aproxima bastante al valor del
parámetro poblacional.

• Suficiencia, Un estimador es suficiente si utiliza tanta información de la

muestra que ningún otro estimador puede extraer información adicional
acerca del parámetro de población que se está estimando.

Si un estimador es suficiente, nada puede ganarse utilizando cualquier otro estimador.

Esta discusión de las propiedades de un estimador, por ningún motivo es una cuenta
completa. Sin embargo, proporciona una base suficiente para una evaluación sobre la
estimación de parámetros mediante la construcción de intervalos de confianza.