Estadística para

Administradores

Muestreo y Distribuciones
Muestrales

Lic. Daniel Fortuna Chap 7-1

 Ventajas de la utilización de muestras

El estudio de muestras es preferible, en la mayoría de los casos, por las

siguientes razones:

 La población es muy grande (en ocasiones, infinita, como ocurre en

determinados experimentos aleatorios) y, por tanto, imposible de analizar
en su totalidad.

 Las características de la población varían si el estudio se prolonga

demasiado tiempo.

 Al estudiar una pequeña parte de la población, los gastos de colección y

tratamiento de los datos serán menores que si los obtenemos del total de
la población.

Chap 7-2
 Ventajas de la utilización de muestras

 Al reducir el tiempo de colección y tratamiento de los datos, se consigue

mayor rapidez en la consecución de información para la toma de decisiones.

 La elección de una muestra permite la realización de estudios que serían

imposible hacerlo sobre el total de la población.

 La población es suficientemente homogénea respecto a la característica

medida, con lo cual resultaría inútil malgastar recursos en un análisis
exhaustivo (por ejemplo, muestras sanguíneas).

 El proceso de estudio es destructivo o es necesario consumir un artículo

para extraer la muestra (ejemplos: vida media de una bombilla, carga
soportada por una cuerda, precisión de un proyectil, etc.).

Chap 7-3
 Tipos de muestras usadas
(continua)

Muestras

Muestras No Muestras
Probabilísticas Probabilísticas

Muestreo Estratificado
Juicio Dedo aleatorio

Cuota Sistemático Cluster

Conveniencia

Chap 7-4
 Tipos de muestras usadas
(continua)

Muestras

Muestras No Muestras
Probabilísticas Probabilísticas

Muestreo Estratificado
Juicio Dedo aleatorio

Cuota Sistemático Cluster

Conveniencia

Chap 7-5
Tipos de muestras usadas
(continua)

Muestras

Muestras
Probabilísticas

Muestreo Estratificado
aleatorio

Sistemático Cluster

Chap 7-6
Tipos de muestras usadas
(continua)

Muestras

Muestras
Probabilísticas

Muestreo Estratificado
aleatorio

Sistemático Cluster

Chap 7-7
Tipos de muestras usadas
(continua)

Muestras

Muestras
Probabilísticas

Muestreo
aleatorio

Chap 7-8
 Muestreo aleatorio simple

 Cada ítem o individuo de un marco muestral,

tiene igual oportunidad de ser elegido.
 La selección puede ser realizada con reemplazo
o, sin reemplazo.
 Las muestras pueden ser obtenidas con una
tabla de números aleatorios o de un listado de
números aleatorios determinados mediante
algún software.

Chap 7-9
 Distribuciones Muestrales

 Una distribución muestral es una distribución

de todos los posibles valores de un
estadístico, para un tamaño muestral dado,
seleccionado aleatoria e independientemente
de una población.

Chap 7-10
Distribuciónes Muestrales

Distribuciones
Muestrales

Distribución Distribución
Muestral de la Muestral de la
Media Proporción

Chap 7-11
Distribuciónes Muestrales

Distribuciones
Muestrales

Distribución Distribución
Muestral de la Muestral de la
Media Proporción

Chap 7-12
 Desarrollo de una distribución
muestral

 Supongamos ésta población …

 Tamaño poblacional N = 4
 Variable aleatoria, X, es la edad de los individuos
en años cumplidos. A C
B D
 Valores de X: 18, 20, 22, 24

Chap 7-13
 Desarrollo de una distribución
muestral
(continua)

Medidas resumen de la distribución poblaciónal:

μ
 X i

P(x)
N .3
18  20  22  24
  21 .2
4 .1

 i
0
(X  μ) 2
18 20 22 24 x
σ  2.236
N A B C D
distribución Uniforme

Chap 7-14
 Desarrollo de una distribución
muestral
(continua)
Consideremos ahora todas las posibles muestras de n = 2, con reemplazo
A
B

N 4
2 A
n C
D

A
B

A C B C
16 muestras
B D D
posibles de
A
B tamaño n = 2
C C
D

A
B
D C
D
Chap 7-15
 Desarrollo de una distribución
muestral
(continua)
Volcamos las distintas observaciones a una tabla…

A
B
A C
1ra 2da Observación
D
Obs A B C D
A
B A A,A A,B A,C A,D
B C
D B B,A B,B B,C B,D
C C,A C,B C,C C,D
A
B
D D,A D,B D,C D,D
C C
D

A
B
D C
D
Chap 7-16
 Desarrollo de una distribución
muestral
(continua)

Reemplazamos los valores correspondientes…

1ra 2da Observación Medias

Obs 18 20 22 24 muestrales
18 18,18 18,20 18,22 18,24
1ra 2da Observacion
20 20,18 20,20 20,22 20,24 Obs 18 20 22 24
22 22,18 22,20 22,22 22,24 18 18 19 20 21
24 24,18 24,20 24,22 24,24 20 19 20 21 22
22 20 21 22 23
16 muestras posibles
24 21 22 23 24
(muestras con
reemplazo) n
X i X1  X 2 24  24
X     24
i 1 n 2 2
Chap 7-17
 Desarrollo de una distribución
muestral
(continua)
Distribución de todas las medias muestrales

16 Medias muestrales Distribución

Medias
1er 2da Observacion _ muestrales
Obs 18 20 22 24 P(X)
.3
18 18 19 20 21
20 19 20 21 22 .2

22 20 21 22 23 .1

24 21 22 23 24 0 _
18 19 20 21 22 23 24 X
(simétrica)
Chap 7-18
 Desarrollo de una distribución
muestral
(continua)

Medidas resumen de la distribución muestral:

μX 
 X i

18  19  21    24
 21
N 16

σX 
 i X
(X  μ )2


N
(18-21)2  (19-21)2   (24-21)2
  1.58
16

Chap 7-19
 Comparando la distribución
poblacional y muestral
Población Distribución muestral de
N=4 las medias
μ  21 σ  2.236 μX  21 σ X  1.58
PX  
P X

.3 .3

.2 .2

.1 .1

0 0
18 19 20 21 22 23 24
_
18 20 22 24 X X
A B C D
Chap 7-20
 Error estándar de la Media
 Diferentes muestras del mismo tamaño de la misma población arrojaran
diferentes medias muestrales
 Una medida de la variabilidad de la media (de muestra a muestra) está
dada por el Error estándar de la Media:
 Expresa cuánto varía la media muestral entre una media y la otra
(Se supone que la muestra es con reemplazo o, muestreo sin
reemplazo de una población infinita)

σ
σX 
n
 Observe que el error estándar de la media decrece cuando el tamaño
de la muestra se incrementa
Chap 7-21
 Si la población es Normal
 Si la población sigue una ley normal con media μ y
desviación estándar σ, la distribución muestral de la
media sigue también una distribución normal con:

σ
μX  μ σX 
n
2.236
21  21 1.58 
2
Chap 7-22
 El valor-Z para la distribución
normal de la media
 Valor-Z para la distribución muestral de X :

( X  μX ) ( X  μ)
Z 
σX σ
n
X  media muestral
donde:   media poblaciónal
  desviación estándar poblacional
n  tamaño muestral
 X  media delas medias muestrales
 X  error estándar dela media muestral
Chap 7-23
 Propiedades de la distribución
muestral

distribución Normal

μx  μ
poblaciónal

μ x
distribución muestral
Normal (que tiene la
misma media)

μx
x
Chap 7-24
 Propiedades de la distribución
muestral (continua)

Cuando n se incrementa,
σ x decrece Tamaño
muestral
grande

tamaño
muestral
pequeño

μ x
Chap 7-25
 Si la población no es normal

 Podemos aplicar el Teorema Central del Límite (TCL):

 Si la población no es normal,
 …la distribución de la media muestral de la población será
aproximadamente normal mientras el tamaño de la muestra sea
suficientemente grande.

Propiedades de la distribución muestral:

σ
μx  μ y σx 
n
Chap 7-26
 Teorema Central del Límite

La distribución de
Cuando el n↑ muestreo tiende a la
tamaño de normal dependiendo
la muestra en mucho de la forma
crece lo de la población.
suficiente…

x
Chap 7-27
 Si la población no es Normal
(continua)

Propiedades de la distribución
poblacional
distribución muestral:
Tendencia Central

μx  μ μ x
distribución Muestral (tiende a la

σ
Variación normal cuando n se incrementa)

σx  Muestra
n Pequeño
tamaño
grande

muestral

μx x
Chap 7-28
 ¿Cuando n es “grande”?

 Para las distribuciones mas comunes cuando

n > 30 nos proporcionará una distribución
aproximadamente normal.
 Para distribuciones simétricas, n > 15
 Para poblaciones normalmente distribuidas la
distribución de la media muestral está
normalmente distribuida.

Chap 7-29
 Ejemplo

 Suponga que una población tiene media μ = 8 y

desviación estándar σ = 3. Suponga que una
muestra aleatoria de tamaño n = 36 es
seleccionada
 ¿Cuál es la probabilidad que la media muestral
se encuentre entre 7.8 y 8.2?

Chap 7-30
 Ejemplo
(continua)
Solución:
 No sabemos si la población está normalmente
distribuida, pero como n > 30, entonces
podemos utilizar el teorema central del límite…
 …por ello la distribución muestral de x será
aproximadamente normal…
 … la media será x =  = 8

 …la desviación estándar  3

X = = = 0.5
n 36

Chap 7-31
 Ejemplo
(continua)
Solución (continúa):
 
 
 7.8-8 X-μ 8.2-8 
P(7.8  X  8.2)  P  
 3   σ   3 
     
 36   n   36 
 P  -0.4  Z  0.4   0.3108

distribución distribución distribución Normal

poblacional muestral estandarizada
???
? ??
? ?
? ? ? muestra estandarizada
? 0.1554 0.1554

7.8 8.2 -0.4 0.4

X x Z
μ8 μX  8 μz  0
Chap 7-32
Distribuciónes Muestrales

Distribuciones
Muestrales

Distribución Distribución
Muestral de la Muestral de la
Media Proporción

Chap 7-33
 Proporciones poblaciónales

 Proporción Poblacional (π) la proporción de la población que tiene

una característica. (Ej: Hombre, Mujer)

 Proporción Muestral (p) provee una estimación de π:

X numero de items en la muestra que tienen la caracteristica de interes
p 
n tamaño de la muestra
0≤ p≤1
 p sigue una distribución binomial

  np    np(1  p)
(suponiendo muestreo con reemplazo de una población finita, o sin reemplazo desde una
población infinita)
Chap 7-34
 Distribución muestral de p

 Aproximada por una

distribución normal si: P( ps) distribución muestral
.3
 np  5  n(1  p)  5
.2
.1
Si p =0.40 entonces n ≥ 13 0
0 .2 .4 .6 8 1 p
Si p =0.90 entonces n ≥ 50

μp  π π(1 π )
donde y σp 
n
( π = proporción poblacional)
Chap 7-35
 Valor-Z de la proporción
Valor estandarizado p a Z con la fórmula:

p  p 
Z 
σp  (1  )
n

Chap 7-36
 Ejemplo

 Si la verdadera proporción de votantes que proponen la

propuesta A es π = 0.4, ¿cuál es la probabilidad que en
una muestra de tamaño 200 se obtenga una proporción
comprendida entre 0.40 y 0.45?

π = 0.4 y n = 200,
¿cuál es P(0.40 ≤ p ≤ 0.45)?

Chap 7-37
 Ejemplo
(continua)

Si π = 0.4 y n = 200*, ¿cuál es P(0.40 ≤ p ≤ 0.45) ?

* n es grande, por ende podemos aproximar con una distribución normal

Encontrar σp :
p  p 
Z 
 (1  ) 0.4(1 0.4) σp  (1  )
σp    0.03464
n 200 n

Estandarizando:
 0.40  0.40 0.45  0.40 
P(0.40  p  0.45)  P  Z   P(0  Z  1.44)
 0.03464 0.03464 

Chap 7-38
 Ejemplo
(continua)

Si π = 0.4 y n = 200, ¿cuál es P(0.40 ≤ p ≤ 0.45) ?

Usando la tabla estandarizada : P(0 ≤ Z ≤ 1.44) = 0.4251

distribución distribución Normal
muestral estandarizada

0.4251

estandarizando

0.40 0.45 0 1.44

p Z

Chap 7-39
 Muestreo de Población Finita
 Se debe modificar el Error Estándar si el tamaño de la
muestral (n) es grande en comparación con el tamaño de
la población (N)
n
 n  0.05* N ó  0.05
N

 Para ello se utiliza el Factor de Corrección por Finitud (FCF).

 Error Estándar con FCF

 N n p 1  p  N  n
 X  p 
n N 1 n N 1
Para la Media Muestral Para la Proporción Muestral
Chap 7-40
 ANEXO: Características de la
distribución de la media muestral.
Muestra
grande
Dispersión
Conocida
Muestra Dist. Normal (Z)
chica
Población
Normal
Muestra
grande
Dispersión
Desconocida
Muestra
chica Dist. t de Student

Muestra
grande Dist. Normal (Z)
Dispersión
Conocida
Muestra Pruebas de Libre
chica
Población Distribución
Desconocida
Muestra Dist. Normal (Z)
grande
Dispersión
Desconocida
Muestra Pruebas de Libre
chica Distribución
Chap 7-41