Depto.

Matemáticas – IES Elaios

Tema: Estadística Inferencial

1. MUESTREO ALEATORIO

Presentación elaborada por el profesor José Mª Sorando,

ampliando y adaptando las diapositivas de la Editorial SM
 Muestra y población

• Población: es el conjunto de todos los elementos que poseen una determinada

característica. En general supondremos que la población es muy grande.
• Muestra: es un subconjunto de la población.
• Muestreo: es el proceso mediante el cual se escoge una muestra de la población.
• Inferencia estadística: proceso a través del cual se obtienen conclusiones sobre una
población, a través de la información que proporciona una muestra. La confianza de
tal extrapolación dependerá de la representatividad de la muestra.
· Razones para usar muestras: economía, observación destructiva, etc.

La representatividad de la muestra depende de dos

cosas:
a) Del mecanismo de selección: que ha de
garantizar que no hay un elemento de la
población con más probabilidad que otro de
entrar en la muestra. Si no, sería una muestra
sesgada.

b) Del tamaño de la muestra: si el mecanismo

de selección es correcto, cuanto más grande
sea la muestra mayor será la probabilidad de
que se parezca a la población.
 Tipos de muestreo

Ejemplo. Tres empresas están investigando el nivel adquisitivo de las

personas que acuden a un determinado concierto de música clásica. Para
ello, cada una elige una muestra de la siguiente manera:

1.- 50 primeras personas que entren en el auditorio.

2.- 50 personas elegidas al azar de las que se ubican en la platea baja.
3.- 50 personas elegidas al azar de todas las asistentes.

Muestreo aleatorio Muestreo no aleatorio

Ventajas y desventajas
 Tipos de muestreo aleatorio

Muestreo aleatorio simple: todos los

elementos de la población tienen la
misma probabilidad de ser elegidos
para formar parte de la muestra.

Muestreo aleatorio estratificado: la Estrato 1 Estrato 2

población se divide en grupos
homogéneos que llamamos estratos.
La proporción de cada estrato en la
población se mantiene en la muestra. Población
Cada uno de los estrato de la muestra
se obtiene por muestreo aleatorio
simple sobre el estrato
correspondiente de la población.

Muestra
 Tipos de muestreo aleatorio (II)

Muestreo aleatorio sistemático: se

selecciona al azar un elemento de la
población y a partir de él se
seleccionan de k en k los elementos
siguientes.

Muestreo por conglomerados y

áreas: se divide la población en
distintas secciones o conglomerados.
Se eligen al azar unas pocas de estas
secciones y se toman todos los
elementos de las secciones elegidas
para formar la muestra.
Para dividir la población en secciones
podemos usar las provincias.
 Tipos de muestreo no aleatorio

Muestras erráticas o casuales

Muestras intencionadas o racionales

Muestras por cuotas

Muestras “bola de nieve”

 Distribución en el muestreo de la media

Supongamos que en una población una variable aleatoria se distribuye con media μ y
desviación típica σ.

Si σ es desconocida, se aproxima con s ·√n / √(n – 1)  Apuntes

 Distribución en el muestreo de la media

Se supone que la distribución de la temperatura del cuerpo humano en la

población tiene una media μ = 37º y una desviación típica σ = 0,85º. Se elige
una muestra de 105 personas. Se desea obtener la probabilidad de la media
de la muestra sea menor que 36,9º.

Al ser n = 105, consideramos que la variable aleatoria media muestral es normal.

Por tanto:
– 
– X –37 36,9 –37
p( X 36,9) =p  0,083  0,083  = p( Z – 1,20) = 1– p(Z  1,20) = 1– 0,8849 =
= 0,115

Se debe recordar que para una variable aleatoria continua se tiene que:
p(Z  a) = p(Z < a)
 Teorema central del límite: idea intuitiva

• Muchos fenómenos se pueden considerar como suma de efectos parciales

independientes, pudiendo ocurrir que aunque los efectos no se ajusten a la normal, el
fenómeno resultante tienda asintóticamente a la normal.
• Una simulación con ordenador nos puede ayudar a entender esto:

1000 lanzamientos de un dado 1000 medias de dos dados

1000 medias de 4 dados 1000 medias de 10 dados

 Teorema central del límite
Ya dijimos que…

¿Qué se entiende por "cuando crece n"?

• Si la población de partida es normal, la distribución de las medias

muestrales es normal, cualquiera que sea n.
• Si la distribución de partida no es normal, la distribución de las medias
muestrales es normal si n  30.
 Teorema central del límite: visión gráfica

Normal Uniforme Sesgada

Distribución
de la
población de
partida

Distribución
de las medias
muestrales
para n = 5

Distribución
de las medias
muestrales
para n = 10

Distribución
de las medias
muestrales
para n = 30
Distribución en el muestreo de una proporción
 Distribuciones en el
muestreo de una proporción
Un nuevo medicamento ha curado al 85 % de los enfermos a los que se les ha
aplicado. Determinar las distribuciones en el muestreo de la proporción de enfermos
curados para muestras de tamaño 30, 100 y 1000 personas.

En nuestro caso p = 0,85

Tamaño Distribución
Desviación típica:
de la Media: muestral
p(1 – p)
muestra: p  p(1 – p)
n n N(p, )
n

30 0,85 0,85(1 – 0,85) N(0,85; 0,065)

= 0,065
30

100 0,85 0,85(1 – 0,85) N(0,85; 0,036)

= 0,036
100
Conviene observar cómo, a medida que el
1000 0,85 0,85(1 – 0,85) N(0,85; 0,011)
= 0,011 tamaño de la muestra crece, la desviación
1000 típica disminuye.