Unidad 2. Muestreo.

Objetivos de la unidad
- Comprender las razones por las que una muestra es frecuentemente la única forma viable para
estudiar las características sobre una población.
- Conocer algunos de los métodos para selección de muestras.
- Construir una distribución muestral de la media de la muestra, e interpretar los resultados.

Introducción de la unidad
Algunas veces no es posible ni práctico examinar a cada persona, medida o elemento de una
población que deseamos describir, mejor aún, en muchos casos, el muestreo resulta más accesible
que el estudio de toda la población.

Por ejemplo, en ocasiones no es posible realizar una revisión total en una auditoria (acción conocida
como enumeración completa o censo), siendo más conveniente recurrir al muestreo, contando o
midiendo solo ciertos elementos de la población.

Muestra

Una muestra es una porción o parte de la población de interés o análisis. Las razones para muestrear
son muchas, en el siguiente cuadro se muestran, cinco por las cuales es significativo realizar
muestreos.
Razones para seleccionar muestras, capítulo 8 del libro (Lind, 13 edición).

Ejemplos
Es común que los compradores prueben una pequeña porción de queso antes de comprar alguno, al
igual que un profesional de la Contaduría Pública toma una muestra de los ingresos de una empresa
para poder auditar a la empresa. En ambos casos se toma una muestra, en el primer caso seria
innecesario comer todo el queso, en el segundo caso tendría que volver a realizar toda la contabilidad,
con todo el trabajo que implica.
Algunas veces probar un producto puede ser destructivo, como cuando se buscar conocer cierta
resistencia al impacto, al frio o calor, es suficiente con probar solo algunos. El profesional de
Contaduría Pública puede a través de un análisis de una parte de los ingresos, dictaminar la
contabilidad de una empresa u organización.

Mediciones

Matemáticamente, podemos describir tanto a poblaciones como muestras con mediciones como la
media, la mediana, la moda y la desviación estándar (medidas estudiadas con anterioridad). Cuando
estos términos describen las características de una muestra, se denominan estadísticos. Cuando
describen las características de una población, se llaman parámetros.
Un estadístico es una característica de una muestra y un parámetro es una característica de una
población. De esta forma μ es la media poblacional (parámetro) y el promedio 𝒙
̅ de una muestra
(estadístico)

Actividad.

1) Investigar y dar 3 ejemplos de Población y Muestra en el área económica administrativa

2) Dar para cada uno de los ejemplos encontrados 3 razones para estudiar una muestra en lugar
de estudiar toda la población.

MÉTODOS DE MUESTREO.

El estudio de muestreo es una herramienta para inferir (deducir concluir) algo sobre una población,
entre los métodos de nuestreo mas usados tenemos los siguientes.
Para realizar inferencias estadísticas válidas es importante que los métodos de muestreo sean los
más adecuados y que sean representativos y sin sesgos, como en el siguiente ejemplo:
En 1936 se efectuó una encuesta para pronosticar el resultado de las Elecciones, entre F.
Roosevelt y A. Landon. Se enviaron diez millones de papeletas retornables a domicilios tomados de
directorios telefónicos y registros de automóviles.
El resultado de la muestra fue, 59% en favor de A Landon y 41% de F Roosevelt.
El día de la elección, Roosevelt ganó con 61% de los votos.
Se cree que tal diferencia, se dio porque la muestra no fue representativa de los votantes ya que a
mediados de la década de 1930, solo un porcentaje muy bajo la gente tenía teléfono y automóvil
Ejemplo tomado de (Lind Marchal, 2013).

METODOS DE MUESTREO
Muestreo aleatorio simple
El tipo de muestreo más común es el Muestreo aleatorio simple, donde la muestra es seleccionada
de manera que cada elemento o individuo de la población tenga las mismas posibilidades de que se
le incluya, por ejemplo seleccionar a 10 estudiantes del grupo de Estadística de la sección 10.

Práctica 2.1 (realizada en clase)

Muestra aleatoria en grupo de clase de estadística (se considera a toda la clase como la población)
Indicaciones.
1. Considerando el número de lista de cada estudiante, pasar a escribir su edad
2. Calcular la media µ
3. Realizar una selección de 10 números al azar y formar una nueva lista calculado la media X
4. Calcular el error de muestreo
Práctica 2.2 (realizada en clase)

Practica. 2.2 Generar muestras aleatorias, con funciones de excel

De la siguiente Población de 20 estudiantes seleccionar de manera aleatoria una muestra de 5 elementos
(
No. Elementos Selección Copia Fija
Población Muestra (Fijar) Buscarv Elemento
1 Jesus 1 5 9 Rosmert
2 Robert 2 8 2 Robert
3 Martha 3 10 15 Carla
4 Marina 4 17 16 Antonio
5 Pamela 5 20 5 Pamela
6 Pablo
7 Ximena
8 Juliana
9 Rosmert
10 Alvaro
11 Pilar
12 Marìa
13 Tomas
14 Luis
15 Carla
16 Antonio
17 Pedro
18 Perla
19 Oscar
20 Victoria

MUESTREO ALEATORIO SISTEMÁTICO

En el muestreo aleatorio sistemático se selecciona un punto aleatorio de inicio y posteriormente se
elige cada k-ésimo miembro de la población.

Por ejemplo, una ONG busca formar una muestra de 10 personas a partir de una
población total de 100 y el primer individuo seleccionado para la muestra es el
número 3. A partir de este, mediante un intervalo de 4 decidido por el
investigador, se seleccionarán los próximos individuos hasta completar la muestra,
de manera que serán los números 7, 11, 15, etc.
Imagen de https://enciclopediaeconomica.com/muestreo-sistematico/

Entre las ventajas del muestreo sistemático se encuentra que permite obtener buenas
propiedades de representatividad, es un sistema muy rápido y simple, garantiza una selección
equitativa de la población, lo que resulta muy útil en la distinción de grupos. Si embargo tiene
la desventaja o inconveniente de que al utilizar esta técnica el orden en el que se coloca a la
población seleccionada puede llegar a tener un tipo de periodicidad oculta, la cual puede
coincidir con el intervalo seleccionado, ocasionando una muestra sesgada.

Muestreo aleatorio estratificado

En el muestreo aleatorio estratificado una población se divide en grupos a partir de ciertas
características, se aplica con el fin de garantizar el hecho de que cada grupo (también
denominado estrato) se encuentre representado en la muestra.
Por ejemplo, los estudiantes en la BUAP se pueden agrupar en estudiantes de tiempo completo
o de medio tiempo, por sexo, masculino o femenino, regionales o urbanos. Una vez definidos
los estratos, se aplica el muestreo aleatorio simple en cada grupo o estrato con el fin de formar
la muestra.

Muestreo por conglomerados

El muestreo por conglomerados se emplea a menudo para reducir el costo de muestrear una población
dispersa en cierta área geográfica. Una población se divide en conglomerados a partir de los
límites naturales geográficos o de otra clase. A continuación se seleccionan los conglomerados
al azar y se toma una muestra de forma aleatoria con elementos de cada grupo.
Ejemplo: Suponga que se desea determinar la opinión de los habitantes de un estado con
referencia a las políticas federales y estatales de protección ambiental. Seleccionar una
muestra aleatoria de residentes y ponerse en contacto con cada persona requeriría
mucho tiempo y resultaría muy costoso. Sería mejor aplicar el muestreo por conglomera-
dos y subdividir el estado en pequeñas unidades municipios o regiones. Conocidas también
como unidades primarias.
“Error” de muestreo
En la sección anterior se estudiaron métodos de muestreo útiles para seleccionar una muestra que
constituya una representación imparcial o sin sesgos de la población, en cada método, la selección de
alguna posible muestra de determinado tamaño de una población tiene una posibilidad o probabilidad
conocidas.
Ésta constituye otra forma de describir un método de muestreo sin sesgo.
Las muestras se emplean para determinar características de la población. Por ejemplo, con la media
de una muestra se calcula la media de la población. No obstante,
como la muestra forma parte o es una porción representativa de la población, es poco
probable que la media de la muestra sea exactamente igual a la media poblacional.
Asimismo, es poco probable que la desviación estándar de la muestra sea exactamente
igual a la desviación estándar de la población. Por tanto, puede esperar una diferencia
entre un estadístico de la muestra y el parámetro de la población correspondiente. Esta
diferencia recibe el nombre de error de muestreo. A continuación se muestra un ejemplo.

Práctica 2.3 (realizada en clase)

 ejemplo pag 274 (lind Marchal)
ERROR DE MUESTREO.
Diferencia entre el estadistico de una muestra y el parametro de la población
Practica error de muestreo
Hotel Fox Valley
Junio Rentas Sample 1 Sample 2 Sample 3
1 0 4 3 0 1 0.8
2 2 7 3 0 3 1.5
3 3 4 2 3 1 1.3
4 2 3 3 3 0 1.1
5 3 1 6 3 5 1.8
6 4 Totals 19 17 9
7 2 Sample means 3.8 3.4 1.8 media de la muestra
8 3
9 4
10 7
11 3
12 4
13 4
14 4
15 7
16 0
17 5 Media poblacional = 3.133333333
18 3
19 6
20 2
21 3 Media muestra 1 = 0.67 Error de muestreo 1
22 2
23 3
24 6 Media muestra 2 0.27 Error de muestreo 2
=
25 0
26 4
27 1
28 1 Media muestra 3 = -1.33 Error de muestreo 3
29 3
30 3 Pregunta:¿ De acuerdo a los resultados obtenidos cual es la mejor muestra? Justifique su respuesta
suma 94

Distribución muestral de la media

Considerando la posibilidad de que se presente un error de muestreo cuando se emplean los

resultados del muestreo para aproximar un parámetro poblacional.
¿cómo hacer un pronóstico preciso relacionado por ejemplo con el posible éxito de un nuevo
producto sobre la única base de los resultados del muestreo?
Para responder a preguntas como esta, primero hay que precisar el concepto de distribución
muestral de la media.
Si se organiza las medias de todas las muestras posibles de tamaño n en una distribución de
probabilidad, el resultado recibe el nombre distribución muestral de la media.
El siguiente ejemplo se ilustra la construcción de una distribución muestral de la media.
Práctica 2.4 (realizada en clase)

DISTRIBUCION MUESTRAL DE LA MEDIA (pag. 276 )

Distribución de probabilidad de todas las posibles medias de las muestras de un
determinado tamaño muestral de la poblacion
Tartus industries cuenta con 7 empleados de producción (a quienes se les considera la población) Eln la tabla sig 8.2 se incluyen los ingresos por
hora de cada uno de ellos.
a) Cual es la media de la población?
b) Cual es la distribución muestral de la media de muestras de tamaño 2?
c) ¿ Cual es la media de la distribución muestral de la media?
d) ¿ Que observaciones es posible hacer sobre la población y la distribucion muestral de la media?

Empleado Ingresos por hora

1 Joe 7 0.12962963
2 Sam 7 0.12962963 La media de la poblacion = = 7.7142857
3 Sue 8 0.148148148
4 Bob 8 0.148148148
5 Jan 7 0.12962963 distribucion muestral =
6 Art 8 0.148148148 de la media, muestras tamaño 2 21
7 Ted 9 0.166666667
suma 54 1

Muestra Empleados ingresos por hora Suma Media

1 Joe Sam 7 7 14 7
2 Joe Sue 7 8 15 7.5
3 Joe Bob 7 8 15 7.5
4 Joe Jan 7 7 14 7
5 Joe Art 7 8 15 7.5
6 Joe Ted 7 9 16 8
7 Sam Sue 7 8 15 7.5
8 Sam Bob 7 8 15 7.5
9 Sam Jan 7 7 14 7
10 Sam Art 7 8 15 7.5
11 Sam Ted 7 9 16 8
12 Sue Bob 8 8 16 8
13 Sue Jan 8 7 15 7.5
14 Sue Art 8 8 16 8
15 Sue Ted 8 9 17 8.5
16 Bob Jan 8 7 15 7.5
17 Bob Art 8 8 16 8
18 Bob Ted 8 9 17 8.5
19 Jan Art 7 8 15 7.5
20 Jan Ted 7 9 16 8
21 Art Ted 8 9 17 8.5
suma 162

Media Numero
muestral de medias Probabilidad La media de la distribucion muestral
7 3 0.1429 es igual :
7.5 9 0.4286 sumar las medias muestrales y dividir la
8 6 0.2857 suma entre el numero de muestras
8.5 3 0.1429 7.714286
21 1.0000
Teorema del límite central
Estudiaremos ahora el teorema del límite central. Su aplicación a la distribución muestral de medias,
permite utilizar la distribución de probabilidad normal para crear intervalos de confianza para la media
poblacional y llevar a cabo pruebas de hipótesis ( que se verán mas adelante).
El teorema del límite central hace hincapié en que, en el caso de muestras aleatorias grandes, la forma
de la distribución muestral de la media se aproxima a la distribución de probabilidad normal.
La aproximación es más exacta en el caso de muestras grandes que en el de muestras pequeñas.
Ésta es una de las conclusiones más útiles de la estadística. Permite razonar sobre la distribución de
las medias muestrales sin ninguna información acerca de la forma de la distribución de población de
la que se toma la muestra. En otras palabras, el teorema del límite central se cumple en el caso de
todas las distribuciones. En seguida se muestra el enunciado formal.

TEOREMA CENTRAL DEL LIMITE. Si todas las muestras de un tamaño en particular se seleccionan de cualquier
poblacion, la distribución muestral de la media se aproxima a una distribucion normal. Esta aproximacion es mejor con
muestras grandes.

El TLC indica que sin que importe la forma de la distribucion de la poblacion, la distribucion de la media se
aproximara a la distribucion de la probabilidad normal.
La media de las medias de las muestras se encuentra cerca de la media de la población.
Se puede mostrar que
la media de la distribución muestral es la media poblacional, es decir, que μ μ

y si la desviación estándar de la población es σ,

la desviación estándar de las medias muestrales es σ

en la que n es el número de observaciones de cada muestra.

σ
Entonces, es el error estandard de la media

Esta sección permite importantes conclusiones.

1. La media de la distribución muestral de las medias será exactamente igual a la
media poblacional si selecciona todas las muestras posibles del mismo tamaño de
una población dada. Es decir,
̅
μ= μ𝒙

Aunque no seleccione todas las muestras, es de esperar que la media de la distri-

bución muestral de medias se aproxime a la media poblacional.

2. Habrá menos dispersión en la distribución muestral de las medias que en la pobla-

ción. Si la desviación estándar de la población es σ, la desviación estándar de la
distribución muestral de medias es σ /√n
Note que, cuando se incrementa el tamaño de la muestra, disminuye el error estándar de la media.
 Se puede demostrar que la media de la distribución muestral es la media poblacional, es decir, y si la desviación estándar dela población es σ, la
desviación estándar de las medias muestrales es σ /√n, en la que n es el número de observaciones de cada muestra. Entonces, σ/√n es el error
estándar de la media.
En realidad, el nombre completo es desviación estándar de la distribución muestral de medias.

Esta sección permite importantes conclusiones.

1. La media de la distribución muestral de las medias será exactamente igual a la
media poblacional si selecciona todas las muestras posibles del mismo tamaño de
una población dada. Es decir,
̅
μ= μ𝒙

Aunque no seleccione todas las muestras, es de esperar que la media de la distri-

bución muestral de medias se aproxime a la media poblacional.

2. Habrá menos dispersión en la distribución muestral de las medias que en la pobla-

ción. Si la desviación estándar de la población es σ, la desviación estándar de la
distribución muestral de medias es σ /√n
Note que, cuando se incrementa el tamaño de la muestra, disminuye el error estándar de la media.

Se puede demostrar que la media de la distribución muestral es la media poblacional, es decir, y si la desviación estándar dela población es σ, la
desviación estándar de las medias muestrales es σ /√n, en la que n es el número de observaciones de cada muestra. Entonces, σ/√n es el error
estándar de la media.

Esta sección permite importantes conclusiones.

1. La media de la distribución muestral de las medias será exactamente igual a la
media poblacional si selecciona todas las muestras posibles del mismo tamaño de
una población dada. Es decir,
̅
μ= μ𝒙

Aunque no seleccione todas las muestras, es de esperar que la media de la distri-

bución muestral de medias se aproxime a la media poblacional.

2. Habrá menos dispersión en la distribución muestral de las medias que en la pobla-

ción. Si la desviación estándar de la población es σ, la desviación estándar de la
distribución muestral de medias es σ /√n
Note que, cuando se incrementa el tamaño de la muestra, disminuye el error estándar de la media.

A continuación, se muestran algunos aspectos importantes para el muestreo.

 Muchas de las decisiones en los negocios tienen como fundamento los resultados de un muestreo.
Sin embargo, muchas de las decisiones en negocios se refieren a una muestra, no a una sola observación.
Así, lo importante es la distribución de la media muestral, en lugar de x, el valor de una observación.

Es posible calcular la probabilidad de que la media de una muestra se encuentre dentro de cierto margen.

Aplicando la fórmula sig. se puede expresar como una distribución normal

Una distribución normal estándar ( valor z).
Así, se puede emplear la tabla z para determinar la probabilidad
de seleccionar una observación que caerá dentro de un intervalo específico
donde
X es el valor de la variable aleatoria
μ es la media de la población
σ es la desviación estándar de la población.

De acuerdo con la informacion que se cuente se pueden considerar los siguientes casos:
Práctica 2.5 Uso de la Distribución Muestral de las Medias (realizada en clase)

Ejemplo pag 283. El departamento de control de calidad de Cola, Inc., conserva registros sobre la cantidad de bebida de cola
en su botella gigante.
La cantidad real de bebida en cada botella es de primordial importancia, pero varía en una mínima cantidad de botella en
botella.
Cola, Inc., no desea llenar botellas con menos líquido del debido, pues tendría problemas en lo que se refiere a la
confiabilidad de la etiqueta. Por otra parte, no puede colocar líquido de más en las botellas porque regalaría bebida, lo cua l
reduciría sus utilidades.

Los registros indican que la cantidad de bebida de cola tiene una distribución de probabilidad normal.
Despues
La cantidad media por botella es de 31.2 onzas, y la desviación estándar de la población, de 0.4 onzas.
Calcule la probabilidad de un valor Z > 1.80
Hoy, a las 8 de la mañana, el técnico de calidad seleccionó al azar 16 botellas de la línea de llenado.
La cantidad media de bebida en las botellas es de 31.38 onzas.
¿Es un resultado poco probable? ¿Es probable que el proceso permita colocar demasiada bebida en las botellas?

Datos: Fórmulas Sustitución

= 31.38 En tabla 31.2
μ= 31.2 0.4641
σ= 0.4 Z= 1.8 0.0359 0.5 31.8
n= 16 0.4641
0.0359
error estandar

̅
σ𝒙 E Est= 0.10

error muestral
x -μ
̅
𝒙 0.18 0.0 1.8
Se, calcula la probabilidad de un valor z mayor que 1.80.
Este valor es de 0.4641. La probabilidad de un valor z mayor que 1.80 es de 0.0359, que
se calcula
con la resta 0.5000 – 0.4641.
¿Qué concluye? No es probable —menos de 4% de probabilidad— que seleccio-
ne una muestra de 16 observaciones de una población normal con una media de 31.2
onzas y una desviación estándar poblacional de 0.4 onzas, y determine que la media
de la muestra es igual o mayor que 31.38 onzas.
La conclusión es que en el proceso se vierte demasiada bebida de cola en las botellas.
El técnico de control de calidad debe entrevistarse con el supervisor de producción para
sugerir la reducción de la cantidad de bebida en cada botella. La información se resume
en la gráfica