|Aplicaciones de la distribución normal

La información asociada con una distribución normal será en términos de valores x

o probabilidades. Usaremos el puntaje z y la tabla como las herramientas para
“pasar entre” la información dada y la respuesta deseada.
Puntaje estándar
x (dato )−(media de x)
z=
desviacion estandar de x

x−μ
z=
σ
Ejemplos:
1. Considere las puntuaciones de IQ. Estas están normalmente distribuidas
con una media de 100 y una desviación estándar de 16.

 Si al azar se selecciona una persona, ¿cuál es la probabilidad de que su IQ

sea entre 100 y 115?, es decir P(100< x <115).
μ=100; σ=16 ; x 1=100 , x2 =115

x−μ
z=
σ
100−100 115−100
z 1= z 2=
16 16
0 15
z 1= z=
16 2 16
z 1=0 z 2=0.94

R/ La probabilidad sería de 32.64%

  Encuentre la probabilidad que una persona seleccionada al azar tenga un
IQ mayor a 90.
μ=100; σ=16 ; x=90
x−μ
z=
σ
90−100
z=
16
−10
z=
16
z=−0.63

R/ La probabilidad es de 73.57%

 Determine el puntaje que debe tener una persona para superar al 83% de la
población.
μ=100; σ=16 ; x=? ; z=0.95
x−μ
z=
σ
x−100
0.95=
16
0.95 ( 16 ) =x−100
15.2+100=x
x=115.2
R/ El puntaje aproximado que debe tener para superar al 83% de la población debe ser de 116 .
 2. En un grupo de estudiantes, supongamos que el profesor dice que es
necesario que usted obtenga una puntuación en el 15% superior de su
grupo, para obtener una A en un examen en particular. Por la experiencia
de él, puede estimar que la media y desviación estándar en este examen
serán de 70 y 12, respectivamente. ¿Cuál será la puntuación mínima
necesaria para obtener una A? (Suponga que las puntuaciones estarán
normalmente distribuidas en forma aproximada).
μ=70; σ=12 ; x=? z=1.03
x−μ
z=
σ
x−70
1.03=
12
1.03 ( 12 )=x−70
12.36+70=x
x=82.36
R/ El puntaje mínimo para estar en el 15% superior debe ser de 83

3. Encuentre el 55avo percentil para puntuaciones de IQ ( μ=100 y σ =16)

μ=100; σ=16 ; x=? z=0.12
x−μ
z=
σ
x−100
0.12=
16
0.12 ( 16 )=x−100
1.92+100=x
x=101.92
R/ El puntaje que mejor representa la 55ava posición es 102
Ejercicios:
1. Dada x=230 , μ=220 y σ =12.3, grafique y encuentre z , y el área bajo la
curva a la derecha de este.

2. Dado que x es una variable aleatoria normalmente distribuida con una

media de 60 y una desviación estándar de 10, encuentre las siguientes
probabilidades:

a) P( x >60)
b) P(57< x <83)
c) P(65< x <82)
d) P( x <38)
e) El valor que debe tomar x para que sea superada por el 60% de datos .

3. Una compañía de publicidad en El Salvador proporciona gastos completos

a sus agentes de ventas. Cuando tiene la intención de asignar gastos de
automóvil a sus empleados, el departamento de finanzas utiliza cantidades
de kilómetros para estimar los gastos de gasolina, neumáticos y
mantenimiento. Los agentes de ventas recorren un promedio de 3,450
kilómetros al mes, con una desviación estándar de 90. Con el fin de ahorrar,
el departamento de finanzas desea que su estimación de gastos y el
correspondiente presupuesto sean adecuadamente suficientes y, por tanto,
no quiere usar, para la estimación, los datos de ningún agente de ventas
cuyo kilometraje sea menor que 3,200 kilómetros. ¿Qué porcentaje de los
agentes de ventas recorren 3,200 kilómetros o más?
Diseños muestrales
Estadísticas y parámetros
Matemáticamente, podemos describir muestras y poblaciones al emplear
mediciones como la media, la mediana, la moda y la desviación estándar. Cuando
estos términos describen las características de una muestra, se denominan
estadísticas. Cuando describen las características de una población, se llaman
parámetros. Una estadística es una característica de una muestra y un parámetro
es una característica de una población.

Tipos de muestreo
Existen dos métodos para seleccionar muestras de poblaciones: el muestreo no
aleatorio o de juicio y 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. 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. Un guardabosque, por
ejemplo, reuniría una muestra de juicio si decidiera con anticipación las zonas de
una gran área arbolada que recorrería para estimar la cantidad de madera que
podría obtenerse. Algunas veces, una muestra de juicio se usa como guía o
muestra tentativa para decidir cómo tomar una muestra aleatoria más adelante. El
riguroso análisis estadístico que puede llevarse a cabo a partir de muestras
aleatorias, no puede ser efectuado con muestras de juicio. Son más cómodas y
pueden usarse con éxito aunque no podamos medir su validez. No debe perderse
de vista que si un estudio recurre al muestreo de juicio a costa de perder un grado
importante de representatividad, la comodidad habrá costado un precio demasiado
alto.

Muestras sesgadas
La Asamblea Legislativa estudia un proyecto de ley: “¿Debe darse a las mujeres
embarazadas trabajadoras una incapacidad por maternidad de un año con
salario completo para cuidar a sus bebés?”
Como este asunto afecta más a las mujeres, se decide ir a los complejos de
oficinas de la ciudad y entrevistar a empleadas en edad de tener hijos. Se informa
que en un sondeo realizado, alrededor del 93% de quienes respondieron estaban
a favor de la incapacidad de un año por maternidad con pago completo.
En esta situación se seleccionó una muestra sesgada al elegir a personas que
tienen un fuerte interés en el asunto. ¿Cómo se puede estar seguro de que los
entrevistadores que proporcionan la información no cometen el mismo error?
La respuesta es que no se puede, a menos que tengan una excelente reputación
respecto a la realización de sondeos estadísticamente exactos. Sin embargo, es
posible tomar en cuenta los riesgos derivados de no pedir más información o
investigar más la competencia de las compañías encuestadoras.

Muestreo aleatorio
En una muestra aleatoria o de probabilidad conocemos las posibilidades de que
un elemento de la población se incluya o no en la muestra. Como resultado de lo
anterior, es posible determinar objetivamente las estimaciones de las
características de la población que resultan de una muestra dada; es decir, se
puede describir matemáticamente qué tan objetivas son las estimaciones
correspondientes. Comencemos a analizar este proceso introduciendo cuatro
métodos del muestreo aleatorio:

1. Muestreo aleatorio simple.

2. Muestreo sistemático.
3. Muestreo estratificado.
4. Muestreo de racimo.

Muestreo aleatorio simple

El muestreo aleatorio simple selecciona muestras mediante métodos que permiten
que cada posible muestra tenga una igual probabilidad de ser seleccionada y que
cada elemento de la población total tenga una oportunidad igual de ser incluido en
la muestra.
Supongamos que tenemos una población de cuatro estudiantes en un seminario y
queremos muestras de dos estudiantes cada vez para entrevistarlos, la
probabilidad de cada muestra de ser seleccionada y la de que cada estudiante
esté en una muestra. El ejemplo utiliza una población finita de cuatro estudiantes.
Por finito nos referimos a que la población tiene un tamaño establecido o limitado,
es decir, existe un número entero (N) que indica cuántos elementos hay en la
población.
Ciertamente, si muestreamos sin “reemplazar” al estudiante, pronto agotaremos
nuestro pequeño grupo de población. Observe también que si muestreamos con
reemplazo (es decir, si sustituimos al estudiante muestreado inmediatamente
después de haber sido escogido y antes de elegir al segundo estudiante), la
misma persona podría aparecer dos veces en la muestra. Hemos utilizado este
ejemplo sólo para ayudarnos a conceptuar el muestreo de una población infinita.
Una población infinita es aquella en la que es teóricamente imposible observar
todos los elementos.
Aunque muchas poblaciones parecen ser excesivamente grandes, no existe una
población realmente infinita de objetos físicos. Después de todo, con recursos y
tiempo ilimitados, podríamos enumerar cualquier población finita, incluso los
granos de arena de las costas salvadoreñas. En términos prácticos, entonces,
utilizaremos el término población infinita cuando hablemos de una población que
no podría enumerarse en un periodo razonable de tiempo. De esta manera,
utilizaremos el concepto teórico de población infinita como una aproximación de
una población finita enorme, tal como antes usamos el concepto teórico de
variable aleatoria continua como una aproximación de una variable aleatoria
discreta que pudiera asumir muchos valores estrechamente cercanos.
Cómo hacer un muestreo aleatorio. La forma más fácil de seleccionar una
muestra de manera aleatoria es mediante el uso de números aleatorios. Estos
números pueden generarse ya sea con una computadora programada para
revolver números o mediante una tabla de números aleatorios, que, propiamente,
debería llamarse tabla de dígitos aleatorios. La tabla siguiente presenta una
porción de una tabla de dígitos aleatorios, que contiene 1,150 dígitos aleatorios
divididos en conjuntos de 10. Estos números han sido generados mediante un
proceso completamente aleatorio. La probabilidad de que aparezca cualquier
dígito de 0 a 9 es la misma que la de cualquier otra secuencia de la misma
longitud.
Muestreo sistemático
En el muestreo sistemático, los elementos son seleccionados de la población
dentro de un intervalo uniforme que se mide con respecto al tiempo, al orden o al
espacio. Si tuviera que entrevistar a cada vigésimo estudiante de una universidad,
escogería un punto de inicio aleatorio entre los primeros 20 nombres del directorio
estudiantil y luego seleccionaría cada veintavo nombre de ahí en adelante. El
muestreo sistemático difiere del muestreo aleatorio simple en que cada elemento
tiene igual oportunidad de ser seleccionado, pero cada muestra no tiene una
posibilidad igual de ser seleccionada. Este hubiera sido el caso si, en el anterior
ejemplo, hubiera asignado números entre 00 y 99 a los empleados y luego hubiera
empezado a escoger una muestra de 10, seleccionando cada décimo número; por
ejemplo 1, 11, 21, 31, etc. Los empleados numerados con 2, 3, 4 y 5 no hubieran
tenido ninguna oportunidad de haber sido seleccionados juntos.
En el muestreo sistemático existe el problema de introducir un error en el proceso
de muestreo. Suponga que estuviera muestreando el desecho de papel producido
domésticamente, y decidiera muestrear 100 casas cada lunes. La probabilidad de
que esa muestra no fuera representativa es alta porque la basura de los lunes
incluiría, muy probablemente, el periódico dominical. Por tanto, la cantidad de
desechos estaría sesgada hacia arriba por haber elegido este procedimiento de
muestreo.
Pero el muestreo sistemático también tiene ventajas. Aun cuando este tipo de
muestreo puede ser inapropiado cuando los elementos entran en un patrón
secuencial, este método puede requerir menos tiempo y, algunas veces, tiene
como resultado un costo menor que el método de muestreo aleatorio simple.

Ejemplo: suponemos que queremos saber la opinión sobre un profesor de una

clase de 60 personas. Dichas personas están ordenadas por orden alfabético en la
lista de estudiantes. Para realizar la encuesta, seleccionamos a 12 estudiantes.
Muestreo estratificado
Para utilizar el muestreo estratificado, dividimos la población en grupos
relativamente homogéneos, llamados estratos. Después utilizamos uno de los dos
planteamientos: o bien seleccionamos aleatoriamente, en cada estrato, un número
específico de elementos correspondientes a la proporción del mismo en relación
con la población completa, o extraemos el mismo número de elementos de cada
estrato y después ponderamos los resultados considerando la proporción que el
estrato representa con respecto a la población total. Con cualquiera de los
planteamientos, el muestreo estratificado garantiza que cada elemento de la
población tenga posibilidad de ser seleccionado.
El muestreo estratificado resulta apropiado cuando la población ya está dividida en
grupos de diferentes tamaños y deseamos tomar en cuenta esta condición.
Supongamos que los pacientes de un médico están divididos en cuatro grupos de
acuerdo con su edad, como lo muestra la tabla.
Grupo de edad Porcentaje del total
0 – 19 años 30%
Composición del grupo de 20 – 39 años 40%
pacientes por su edad 40 – 59 años 20%
60 años en adelante 10%

El médico desea averiguar cuántas horas duermen sus pacientes. Para obtener
una estimación de esta característica de la población, podría tomar una muestra
aleatoria de cada uno de los cuatro grupos de edades y ponderar las muestras de
acuerdo con el porcentaje de pacientes en ese grupo. Este sería un ejemplo de
una muestra estratificada. La ventaja de las muestras estratificadas es que,
cuando se diseñan adecuadamente, reflejan de manera más precisa las
características de la población de la cual fueron elegidas, en comparación con otro
tipo de muestras.
Muestreo de racimo
En el muestreo de racimo dividimos la población en grupos, o racimos, y luego
seleccionamos una muestra aleatoria de estos racimos, asumiendo que cada uno
de ellos es representativo de la población. Si una investigación de mercado tiene
la intención de determinar por muestreo el número promedio de televisores por
casa en una ciudad grande, podrían usar un mapa de la ciudad para dividir el
territorio en manzanas y luego escoger un cierto número de éstas (racimos) para
entrevistar a sus habitantes. Cada casa perteneciente a cada una de estas
manzanas sería considerada para entrevistar a sus habitantes. Un procedimiento
de muestreo de racimo bien diseñado puede producir una muestra más precisa a
un costo considerablemente menor que el de un muestreo aleatorio simple. Tanto
en el muestreo estratificado como en el de racimo, la población se divide en
grupos bien definidos. Usamos el muestreo estratificado cuando cada grupo tiene
una pequeña variación dentro de sí mismo, pero hay una amplia variación de un
grupo a otro. Usamos el muestreo de racimo en el caso opuesto, cuando hay una
variación considerable dentro de cada grupo, pero los grupos son esencialmente
similares entre sí.

Diseño de experimentos
Planeación de experimentos
Si hemos de conducir experimentos que produzcan resultados significativos en
forma de conclusiones aprovechables, es de suma importancia la forma en que se
diseñen estos experimentos. La forma en que se conduce un muestreo es sólo
una parte del diseño total de un experimento. De hecho, el diseño de
experimentos es en sí mismo es tema de una gran cantidad de libros, algunos de
ellos realmente formidables tanto en alcance como en volumen.
Fases del diseño experimental
Para tener una mejor idea del diseño experimental sin meterse realmente con los
detalles complejos, tomemos un ejemplo de los muchos que confrontamos a diario
y sigámoslo desde el principio hasta el final. Se afirma que una batería “LTH”
pondrá en marcha mejor el motor de su automóvil que una batería X. “LTH”
puede diseñar su experimento de la siguiente manera:

 Objetivo: este es nuestro punto de inicio. “LTH” desea probar su batería

frente a su principal competidor. Aunque es posible diseñar un experimento
que pruebe las dos baterías con respecto a varias características (tiempo
de vida, tamaño, poder de arranque, peso y costo, para nombrar sólo unas
cuantas), “LTH” ha decidido limitar este experimento a su poder de
arranque.
 Lo que se medirá. Esta característica se conoce también como la variable
de respuesta. Si “LTH” ha de diseñar un experimento que compare el
poder de arranque de su batería con el de otra, debe definir cómo se
medirá el poder de arranque. Una vez más, existen varias formas de hacer
esto. Por ejemplo, “LTH” podría medir 1) el tiempo que tardaron las
baterías en agotarse mientras ponían en marcha un motor, 2) el número
total de arranques de motor que agotaron las baterías o 3) el número de
meses en uso que se podría esperar duraran las dos baterías. “LTH”
decide que la variable de respuesta en este experimento será 1) el tiempo
que tardan las baterías en agotarse mientras encienden motores.

 Qué tamaño de muestra. “LTH” desea asegurarse de que elige un

tamaño de muestra lo suficientemente grande para respaldar sus
afirmaciones respecto a su batería sin temor a ser desmentido; sin
embargo, sabe que mientras más baterías pruebe, el costo del experimento
será más alto. Al no desear elegir un tamaño de muestra demasiado caro,
“LTH” decide que será suficiente comparar 10 baterías de cada una de las
dos compañías.

 Conducción del experimento. “LTH” debe tener cuidado de efectuar su

experimento bajo condiciones controladas; es decir, debe asegurarse de
estar midiendo el poder de arranque, y de que las otras variables (como la
temperatura, la edad del motor y la condición de los cables de la batería,
por nombrar unas cuantas) se mantengan tan constantes como sea factible.
 Al intentar lograr precisamente esto, el grupo estadístico de “LTH” utiliza
automóviles nuevos de la misma marca y modelo, lleva a cabo las pruebas
a la misma temperatura externa y tiene cuidado en ser bastante preciso al
medir la variable de tiempo. De esta manera, “LTH” reúne los datos
experimentales sobre el rendimiento de 20 baterías.

 Análisis de los datos. Los datos obtenidos sobre las pruebas de las 20
baterías individuales están sujetos a la prueba de hipótesis. A la compañía
“LTH” le interesa saber si existe una diferencia significativa entre el poder
de arranque de su batería y el de su competidor. Resulta ser que la
diferencia que existe entre la vida media de arranque de la batería de
“LTH” y la de su competidor sí es significativa. “LTH” incorpora el
resultado de este experimento en su publicidad.

Ejercicios
1. Muestreo de mujeres trabajadoras. Una socióloga quiere conocer la opinión
de mujeres trabajadoras adultas sobre una subvención a guarderías
infantiles por parte del Estado. La socióloga obtiene una lista de 520
miembros de una asociación de mujeres empresarias y profesionales, y les
envía un cuestionario a 100 de ellas seleccionadas al azar. Sólo se reciben
48 cuestionarios contestados. ¿Cuál es la población de este estudio? La
población es de 520. ¿Cuál es la muestra? La muestra es de 100. ¿Cuál es
la proporción (porcentaje) de no-respuestas? El 52%.

2. No están contentos con la forma como se enseña la Estadística y quieren

quejarse con el decano de la Facultad. La clase decide elegir al azar a 4
estudiantes para que presenten la queja. A continuación encontrarás una
lista de la clase. Utilizando el muestreo sistemático determina dicha
muestra, luego utiliza la tabla de dígitos aleatorios para determinar dicha
muestra. ¿Cuál método crees más confiable?
Pérez Sánchez Melgar Rosales García González Ávalos Mendoza
Molina Alemán Serrano Acevedo Valle Ramírez Belloso Cardona
Soto Cuellar Ortiz Orellana Osorio Benítez Urías Hernández

Muestreo sistemático
Muestra: Sánchez, Mendoza, Ramírez y Orellana.

Muestreo aleatorio simple

01 Pérez 13 Sánchez
02 Molina 14 Alemán
03 Soto 15 Cuellar
04 Melgar 16 Rosales
05 Serrano 17 Acevedo
06 Ortiz 18 Orellana
07 García 19 González
08 Valle 20 Ramírez
09 Osorio 21 Benítez
10 Ávalos 22 Mendoza
11 Belloso 23 Cardona
12 Urías 24 Hernández

Muestra: 15 81 92 23 96 20 68 57 79 84 82 62 13