Muestreo Aleatorio

• Conceptos básico:
– Población: Conjunto de todos los elementos que
interesan en un estudio.
– Muestra: Es un subconjunto de la población.
– Parámetros: Características numéricas, como la media
y la desviación estándar, de una población.
• Muestreo: Consiste en un conjunto de técnicas
utilizadas para obtener una muestra que
represente adecuadamente a la población, de
manera que se puedan hacer estimaciones.
• Tipos de Muestreo
– Sistemático
– Por Estratos
– Por Racimos
– Aleatorio Simple 1
 Muestreo Aleatorio
• Muestreo aleatorio simple
– Muestreo para una población finita: Es una muestra
seleccionada de manera que cada muestra de tamaño
n tenga la misma probabilidad de ser seleccionada.
– El procedimiento consiste en elegir los elementos para
la muestra de uno en uno, de manera que, en cada
paso cada uno de los elementos que quedan tengan la
misma probabilidad de ser seleccionados. Se pueden
consultar tablas de números aleatorios. También
programas de computadoras, o calculadoras que
también pueden arrojar números aleatorios.

2
 Muestreo Aleatorio
• Continuación…
– Ejemplo: Escoja una muestra de 10 estudiantes
que pasen al pizarrón de una sección de 50. Use la
siguiente tabla de números aleatorios.

3
 Muestreo Aleatorio
• Continuación…
– Escogemos cifras de 2 dígitos porque el máximo son
50.
63 27 15 99 86 71 74 45 11 02 15 14
18 07 14 58 68 59 31 08
– Escogemos los números que no pasen de 50 y
aquellos que no sean repetidos.
– Los número escogidos son: 02; 07; 08; 11; 14; 15; 18;
27; 31; 45.
– Muestreo para una población infinita: Es una muestra
seleccionada que satisfaga dos condiciones:
1. Cada uno de los elementos seleccionados provienen de la
población
2. Cada elemento se selecciona independientemente.
4
 Estimación Puntual
Estimación puntual: Consiste en estimar el parámetro
poblacional. Para hacerlo se calcula con los datos de una
muestra, a lo que se conoce como estadístico muestral.

Característica Parámetro Estimador

σ 𝑥𝑖 σ 𝑥𝑖
Media 𝜇= ത
𝑋=
𝑁 𝑛

Desviación σ 𝑥𝑖 − 𝜇 2 σ 𝑥𝑖 − 𝑋ത 2
estándar 𝜎= S=
𝑁 𝑛−1

𝑥 𝑥
Proporción 𝑝= 𝑝ҧ =
𝑁 𝑛

5
 Estimación Puntual
• Ejemplo: Los siguientes datos provienen de una muestra aleatoria
simple:
• 5 (x) 8(y) 10(x) 7(x) 10(y) 14(x)
5 + 8 + 10 + 7 + 10 + 14 54
ത
𝑋= = =9
6 6
(5 − 9)2 +(8 − 9)2 +(10 − 9)2 +(7 − 9)2 +(10 − 9)2 +(14 − 9)2
𝑆=
6−1

16 + 1 + 1 + 4 + 1 + 25 48
𝑆= 𝑆= 𝑆 = 9,6 = 3,0984
5 5
4
𝑝ҧ = = 0,6667
6
• Interpretación: El promedio de los datos observados es de 9.
• Interpretación: Los datos observados se diferencian con respecto a
la media en 3,0987.
• Interpretación: Se observó que 66,67% de los datos tenían una “x”. 6
 Distribuciones muestrales
• Introducción a las distribuciones muestrales:
– Se toman muchas muestras cada una arrojará una
estimación puntual. Si se toman todas las
muestras posibles entonces la media de las
medias será el parámetro poblacional.
• Distribución muestral de la media:
– Valor esperado de 𝑋ത
𝐸 𝑋 =𝜇
– Desviación estándar de 𝑋ത
– Población finita Población infinita
𝑁−𝑛 𝜎𝑥 𝜎𝑥
𝜎𝑋ത = ∗ 𝜎𝑋ത =
𝑁−1 𝑛 𝑛
7
 Distribuciones muestrales
• Continuación…
– La fórmula para población infinita se usa siempre que:
1. Población sea infinita
2. Población sea finita y el tamaño de la muestra sea menor o igual
al 5% del tamaño de la población. 𝑛Τ𝑁 ≤ 0,05
– Ejemplo: La empresa EAI calcula el sueldo anual de sus
trabajadores, resultando una media poblacional de
u=$51800, con una desviación estándar de 0=4000. La
empresa posee 2500 trabajadores en total. Si se toma
una muestra de 30 entonces, ¿Cuál es el valor esperado
el salario anual? ¿Cuál es el error estándar de las medias
muestrales?
– Población 2500; μ=51800; n=30; σ=4000.
– 𝜇 = 51800
𝑛 30
– = = 0,012 ≤ 0,05
𝑁 2500
4000
– 𝜎𝑋ത = = 730,2967
30 8
 Distribuciones muestrales
• Formas de la distribución muestral de la
media.
1. La población tiene una distribución normal
2. La población no tiene una distribución normal.
Ver el teorema del límite central.
• Teorema del límite central
– Cuando se seleccionan muestras de tamaño n de
una población, la distribución muestral de la
media muestral puede aproximarse mediante
una distribución normal a medida que el tamaño
de la muestra se hace grande.
9
 Distribuciones muestrales
• Ilustración del teorema del límite cental:

10
 Distribuciones muestrales
• Valor práctico de la distribución muestral de la
media.
– Cuando se estima el valor de la media poblacional
a partir de la media muestral, no se encontrará el
valor exacto. Pero se puede determinar la
probabilidad de esa diferencia.
– Ejemplo: Suponga que quiere saber las
probabilidades que la media muestral esté ±500$
de la media poblacional.
– Primero se asume que sigue una distribución
normal (n≥30)
– Se calculan las probabilidades usando la normal
estándar.
11
 Distribuciones muestrales
• Continuación…
– 𝑋ത − 500 = 51800 − 500 = 51300
– 𝑋ത + 500 = 51800 + 500 = 52300
52300−51800
– 𝑍1 = = 0,68
730,30
51300−51800
– 𝑍2 = = −0,68
730,30
– Tabla: 𝑃 𝑍 ≤ 0,68 = 0,7517
– 𝑃 𝑍 ≤ −0,68 = 0,2483
– 𝑃 −0,68 ≤ 𝑍 ≤ 0,68 = 0,7517 − 0,2483 = 0,5034
– Justificación: Existe un 50,34% de probabilidades que la media
muestral esté ±500 de la media poblacional.

12
 Distribuciones muestrales
• Relación entre el tamaño de la muestra y la
distribución muestral.
– Mientras mayor sea el tamaño de la muestra (n)
mayor será la probabilidad que la media muestral se
acerque a la media poblacional, porque el error
estándar (o desviación estándar) 𝜎𝑋ത será menor.
– Siguiendo el ejemplo anterior:
– Si la muestra fuera de 100 entonces:
𝜎𝑥 4000
𝜎𝑥ҧ = = = 400
𝑛 100
– Se calculan las probabilidades
52300 − 51800
𝑍1 = = 1,25
400
51300 − 51800
𝑍2 = = −1,25
400
13
 Distribuciones muestrales
• Continuación…
– Tabla: 𝑃 𝑍 ≤ 1,25 = 0,8944
– 𝑃 𝑍 ≤ −1,25 = 0,1056
– 𝑃 −1,25 ≤ 𝑍 ≤ 1,25 = 0,8944 − 0,1056 = 0,7888
– Justificación: Existe un 78,88% de probabilidades que la
media muestral esté ±500 de la media poblacional. Es
decir, que si el tamaño de la muestra aumenta, también
aumentarán las probabilidades.

14
 Distribuciones muestrales
• Distribución muestral de la proporción:
• Valor esperado de 𝑝ҧ
𝐸 𝑝ҧ = 𝑝
• Desviación estándar de 𝑝ҧ
Población Finita Población infinita

𝑝(1 − 𝑝) 𝑁−𝑛 𝑝(1 − 𝑝)

𝜎𝑝ҧ = ∗ 𝜎𝑝ҧ =
𝑛 𝑁−1 𝑛
Nota: Si n/N es menor a 0,05
usar la fórmula para población
infinita.

15
 Distribuciones muestrales
• Siguiendo el ejemplo anterior, si la proporción
es de 0,60 entonces.
• 30/100=0,012 No se usa factor de corrección
• 𝐸 𝑝ҧ = 0,60
0,60(1−0,60)
• 𝜎𝑝ҧ = = 0,008 = 0,0894
30

16
 Distribuciones muestrales
• Distribución muestral de la proporción
• Forma de la distribución muestral de la
proporción
– Distribución binomial
– Puede aproximarse a una distribución normal
siempre que:
– n*p≥5 y n*(1-p)≥5

17
 Distribuciones muestrales
Distribución muestral de la proporción
• Valor práctico de la distribución muestral de la proporción
Ejemplo: ¿Cuál sería la probabilidad que la proporción
muestral no difiera en más de 0,05 de la proporción
poblacional?
0,65 − 0,60 0,60+0,05=0,65
𝑧=
0,0894 0,65-0,05=0,55

0,05 𝑃 0,55 ≤ 𝑝ҧ ≤ 0,65 = 𝑃 −0,56 ≤ 𝑧 ≤ 0,56

𝑧= = 0,56
0,0894 𝑃 0,55 ≤ 𝑝ҧ ≤ 0,65 = 𝑃 𝑧 ≤ 0,56 − 𝑃(𝑧 ≤ −0,56)
0,55 − 0,60 𝑃 0,55 ≤ 𝑝ҧ ≤ 0,65 = 0,7123 − 0,2877
𝑧= 𝑃 0,55 ≤ 𝑝ҧ ≤ 0,65 = 0,4246
0,0894
La probabilidad que la proporción muestral no difiera
−0,05 en 0,05 de la proporción poblacional es de 42,46%
𝑧= = −0,56
0,0894
18
 Distribuciones muestrales

𝑃(0,55 ≤ 𝑧 ≤ 0,65)

19