ESTADÍSTICA

Diplomatura de Estudio
en
Gestión de Operaciones
Prof. Juan Narro Lavi
 Sesiones 9 y 10:
Estimación de parámetros:
Estimación Puntual
“La estadística es una ciencia según la
cual todas las mentiras se vuelven
gráficos”
 Sumario

1. Muestreo aleatorio simple.

2. Estimadores puntuales.
3. Distribuciones muestrales: Distribuciones de la
media y proporción muestral.
4. Teorema del Límite Central.
 ¿Por qué muestrear la población?

• Naturaleza destructiva de algunas pruebas (vino,

resistencia de acero, semillas)
• Imposibilidad física de revisar todos los
integrantes de la población.
• El costo de estudiar a todos los integrantes de la
población normalmente es prohibitivo.
• Lo adecuado de los resultados de la muestra.
• Tiempo requerido para entrevistar a toda la
población.
 Tipos de Muestreo

Muestreo

No Probabilístico Probabilístico

Selección a juicio o criterio Selección de modo que cada

del encuestador integrante de la población tenga
una probabilidad conocida de ser
incluido en la muestra.
 Muestreo Probabilístico
• No hay un “mejor” método para seleccionar una
muestra probabilística.
• Objetivo: permitir que el azar determine los
integrantes que contendrá la muestra.

Muestreo Aleatorio

Simple Sistemático Estratificado Racimo

 Muestreo Aleatorio Simple

• Cada elemento de la población tiene la misma

probabilidad de ser incluido en la muestra.
• Uso de números aleatorios.
 Muestreo Aleatorio Simple

Lista de Clientes

Muestra Aleatoria
 Tabla de Números Aleatorios

Tabla de 1581922396 2068577984 8262130892

Números
Aleatorios 0928105582 7295088579 9586111652

4112077556 3440672486 1882412963

7457477468 5435810788 9670852913

0099520858 3090908872 2039593181

ESTADÍSTICA PARA LA
ADMINISTRACIÓN Diapositiva 15
Oscar de Azambuja D.
Técnicas de conteo y el muestreo aleatorio simple

• Puede ser con reemplazo o sin reemplazo (con orden y sin orden).
• Cantidad de muestras con reemplazo (n≤N) : N n

• Sin reemplazo con orden (n≤N) :

𝑁!
𝑁 𝑃𝑛 =
• Sin reemplazo sin orden (n≤N):
(𝑁 − 𝑛)!

• Fracción de la muestra f = n/N

𝑁!
𝑁 𝐶𝑛 =
𝑛! (𝑁 − 𝑛)!
Técnicas de conteo y el muestreo aleatorio simple
• En una zona industrial existen 20 fabricas. Si para
cierto estudio se desea tener una muestra aleatoria
de 5 fabricas, ¿Cuántas muestras aleatorias
posibles se pueden formar con cada una de las
formas de selección de muestreo aleatorio simple?

• Cantidad de muestras con reemplazo :

Nn =205 = 3’200,000 muestras
𝑁!
• Sin reemplazo con orden: 𝑁 𝑃𝑛 =
(𝑁 − 𝑛)!
20!
20 𝑃5 = = 1′860,480
(20 − 5)!
Técnicas de conteo y el muestreo aleatorio simple
𝑁!
• Sin reemplazo sin orden: 𝑁 𝐶𝑛 =
𝑛! (𝑁 − 𝑛)!
20!
20 𝐶5 = = 15,504
5! (20 − 5)!

• Cantidad de muestras con reemplazo:

3’200,000
• Sin reemplazo con orden:
1’860,480
• Sin reemplazo sin orden: 15,504
 Muestreo Aleatorio Sistemático

• Los integrantes de la población se ordenan.

• Se selecciona al azar un punto de inicio.
• Selección dentro de un intervalo uniforme medido
con respecto al tiempo, orden o al espacio.
• Cada elemento tiene igual oportunidad de ser
seleccionado.
• No debe emplearse si hay un patrón determinado
en la población.
 Muestreo Sistemático
1 26 51 76
2 27 52 77
N = 100 3 28 53 78
4 29 54 79
5 30 55 80
6 31 56 81
Se desea una muestra n = 20 7 32 57 82
8 33 58 83
9 34 59 84
10 35 60 85
11 36 61 86
N/n = 5 12 37 62 87
13 38 63 88
14 39 64 89
15 40 65 90
16 41 66 91
Escoger un número aleatorio de 1-5:
17 42 67 92
Seleccionado: 4 18 43 68 93
19 44 69 94
20 45 70 95
21 46 71 96
Empezar con el 4 y escoger cada 22 47 72 97
23 48 73 98
quinto número 24 49 74 99
25 50 75 100
 Muestreo Sistemático

Selección cada tres comenzando en el 1.

6 7 18 19 Rotación lenta
5 8 17 20 (aros, culatas)

4 9 16 21 Rotación moderada
3 10 15 22 (neumáticos, faros)

2 11 14 23 Rotación rápida
1 12 13 24 (grasas, pintura)
 Muestreo Aleatorio Estratificado

• La población es dividida en grupos relativamente

homogéneos (estratos)
• Selección aleatoria de elementos del estrato.
• Cantidad proporcional al estrato ó con pesos.
• Cada grupo tiene una pequeña variación dentro de
si mismo, pero hay una amplia variación entre los
grupos.
 ESTRATOS

POBLACIÓN

MUESTRA
 Muestreo Aleatorio de Racimo

• La población se divide en racimos (clusters)

• Seleccionamos una muestra aleatoria de estos
racimos.
• Hay una variación considerable dentro de cada
grupo, pero los grupos son esencialmente
similares entre si.
 RACIMOS
POBLACIÓN

MUESTRA
 Distribución Muestral de Medias
• Distribución que consta de
Media una lista de todas las
medias muestrales
x   posibles de un tamaño de
muestra dado ( de una
ErrorEstandar población) y la
probabilidad asociada con
 N n cada media muestral.
x  n N 1
• Si n/N<0.05, NO aplicar
FCPF
S N n • Emplear S si n≥30, o si es
Sx  n N 1
normal.
 Distribución Muestral de Medias

• Población de un grupo de estudio

• Tamaño de la Población
B C
– N=4
• Variable aleatoria X
– Edad de las personas
• Valores de X
– 18, 20, 22, 24 Años
D
A
 Edad Probabilidad
18 0.25
20 0.25
22 0.25
24 0.25
VARIABLE
PROBABILIDAD
ALEATORIA

• Variable Aleatoria: Variable X = Edad de las personas

• Valores de la Variable X x (18, 20, 22, 24).
• P(X=x) o f(x)  Probabilidad de que la V.A. X tome el valor x
• P(X=18) = 0.25 f(18) = 0.25
• P(X=20) = 0.25 f(20) = 0.25
• P(X=22) = 0.25 f(22) = 0.25
• P(X=24) = 0.25 f(24) = 0.25
 Distribución Muestral de Medias

Parámetros de la Población Distribución Uniforme

N

X i
P(X)
 i 1 .3
N
.2
18  20  22  24
  21 .1
4
N 0
 X  X
2
A B C D
i
(18) (20) (22) (24)
  i 1
 2.236
N
 Distribución Muestral de Medias

Todas las muestras posibles de tamaño n=2

Media de cada
1a 2da Observación muestra
Obs 18 20 22 24 1a 2da Observación
18 18,18 18,20 18,22 18,24 Obs 18 20 22 24
20 20,18 20,20 20,22 20,24 18 18 19 20 21
22 22,18 22,20 22,22 22,24 20 19 20 21 22
24 24,18 24,20 24,22 24,24 22 20 21 22 23

16 Muestras CON 24 21 22 23 24
reemplazo
 Distribución Muestral de Medias

Variable Frecuencia Probabilidad

18 1 0,0625
19 2 0,125
20 3 0,1875
21 4 0,25
22 3 0,1875
23 2 0,125
24 1 0,0625
16
 Distribución Muestral de Medias
Distribución de las Medias de las Muestras

16 Medias de Muestras Distribución de las

medias de las
1a 2da Observación muestras
Obs 18 20 22 24
.3
PX 
18 18 19 20 21
.2
20 19 20 21 22
.1
22 20 21 22 23
24 21 22 23 24
0
18 19 20 21 22 23 24 X
 Distribución Muestral de Medias

Parámetros de la Distribución Muestral o de Muestreo

N

X i
18  19  19    24
X  i 1
  21
N 16
N

X  X 
2
i
X  i 1

N
18  21  19  21     24  21
2 2 2

  1.58
16
Diapositiva 33
 Distribución Muestral de Medias

Población Distribución de Muestreo

N=4 n=2
  21   2.236  X  21  X  1.58
PX  .3
PX  (Error Estándar)
.3

.2 .2

.1 .1

0 0
A
(18)
B
(20)
C
(22)
D
(24)
X 18 19 20 21 22 23 24
X
Comparación de la Población con la Distribución Muestral de Medias
 Distribución Muestral de Medias
• La media de la distribución de muestreo es igual a la
media de la población  x  
• El error estándar de la distribución de muestreo es
igual a la desviación estándar de la población entre
la raíz cuadrada de n 
x
n

Propiedades de la Distribución de Muestreo

 Distribución Muestral de Medias
Distribución de las muestras

Población 
x x


x x

x
Distribución de Muestreo
de la Media

x
Comparación de la Población con la Distribución Muestral de Medias
 Distribución Muestral de Medias
Distribución de la Población y Distribución de Muestreo de la Media

Distribución de muestreo de medias

de 5 elementos (n=5)
 x  25

Distribución de la población

  25

 = 100
 Distribución Muestral de Medias

f X 
No Sesgada

X
 x
Propiedades de la Distribución de Muestreo
 Distribución Muestral de Medias
Tendencia Central Dispersión
x   
x
n
Distribución de la Población Distribución de Muestreo

  10 n4 n  16
X 5  X  2.5

  50  X  50 X
Muestreo de Poblaciones Normales
 Distribución Muestral de Medias

Tendencia Central Dispersión


x   x
n
Distribución de la Población Distribución de Muestreo

n4 n  30
  10 X 5  X  1.8

  50  X  50 X
Poblaciones No Normales
 Distribución Muestral de Medias
Efecto del tamaño de la muestra
n=2 n=4
Conforme aumenta el
Probabilidad

Probabilidad
tamaño de la muestra,
la forma de la
distribución se vuelve
más normal.

n=8 n = 20

Probabilidad
Probabilidad
 Distribución de muestreo de la proporción

• Objetivo del sondeo es x k

estimar la proporción (p) p  ;  p 
de las personas con n N
ciertas características.  p  E( p)  
• Si n es suficientemente
grande, la distribución se  (1   ) p (1  p )
aproxima a la normal. p n

n
(nπ ≥ 5)
p (1  p ) N  n
• Si n/N<0.05, NO aplicar
FCPF.
p n N 1
 Distribución de muestreo de la diferencia de
dos estadísticos independientes

x (  x )
 1   2
1 2
Diferencia entre
  dos medias
2 2

 x  x   1 2
muestrales
1 2
n n 1 2

 ( p1 p2 )
pp1 2

pq pq Diferencia entre
 
p1 p2  
1 1
 2 2
dos proporciones

n 1 n 2
muestrales
 Teorema de Límite Central
(o de Distribución Normal de Medias)

Conforme se La distribución
incrementa de muestreo
el tamaño de de la media se
la muestra aproxima a la
normal.

X
 Teorema de Límite Central
(o de Distribución Normal de Medias)

* El error estándar es la base de la inferencia de la

media (que no se conoce) de una población.
* "Si la población es normal, entonces la distribución
de medias también lo es. Si la población no es
normal, la distribución de muestreo de las
medias se aproxima a la normal conforme aumente
el tamaño de la muestra"
* Podemos usar la Distribución Normal :
* Si n ≥ 30 y también cuando n < 0.05N,
* Si n*π ≥ 5 y también cuando n(1-π) ≥ 5.
Factor de Corrección por Población Finita
n
Cuando  0.05
N

 N n
x *
n N 1
 n
x * 1
n N
Factor de Corrección por Población Finita
n
Cuando  0.05
N
p (1  p ) N n
p *
n N 1
p (1  p ) n
p * 1
n N
 Factor de Corrección por Población Finita

• Cálculo del FCPF para diversos n con N=1000.

n n/N FCPF
10 0.010 0.9955
25 0.025 0.9879
50 0.050 0.9752
100 0.100 0.9492
200 0.200 0.8949
500 0.500 0.7075
 Teorema de Límite Central
(o de Distribución Normal de Medias)
• Una ciudad tiene 20 tiendas de una cadena de igual
tamaño. La desviación estándar de la rotación de
personal en un año es de 75. Si tomamos una
muestra de 5 tiendas, sin reemplazo, determine el
error estándar de la media.

 N n
x *
Dado:
N = 20
n N 1
 = 75
n = 5 75 20  5
x *  (33.54)  (0.8885)
5 20  1
 x  29.8011
 Teorema de Límite Central
(o de Distribución Normal de Medias)
• De una población infinita con media igual a 8 y desviación estándar
igual a 3 se extrae una muestra de 36 elementos. ¿Cuál es la
probabilidad que la media de dicha muestra esté entre 7.6 y 8.4?
  8   3 n  36
Calcular : P(7.6  x  8.4)
x  8 Distribución de Muestreo

x
n
3 3
x   0.5
36 6

P(7.6  x  8.4)  ?
7.6 8.4
X
x  8
 Teorema de Límite Central
(o de Distribución Normal de Medias)

Valor Z para Distribución Muestral de Medias

x
z


x
z

n
 Teorema de Límite Central
(o de Distribución Normal de Medias)

  8   3 n  36
Calcular : P(7.6  x  8.4)
8.4  8 0.4 Distribución Normal
z8.4    0.8
3 0.5 Estándar

36 Z 1
7.6  8  0.4
z 7. 6    0.8
3 0.5
36
-0.8 0.8
P(-0.8  z  0.8)  0.7881  0.2118 Z
Z  0
P(-0.8  z  0.8)  0.5763
 Teorema de Límite Central
(o de Distribución Normal de Medias)
• Suponga que el 60% de todos los peruanos aprueban la forma
en que su Presidente maneja la economía; así π= 0.6. Si se
tuviera información independiente de que la media de la
distribución muestral de la proporción que lo aprueba fuera µp=
0.6, en tanto que la desviación estándar fuera σp=0.049, ¿qué tan
probable sería que una muestra aleatoria simple de n=100
peruanos diera una proporción de aprobación de más de 0.7?
x k
p ; 
Dado: n N
n = 100 p  E ( p)  
 p = 0.049
p (1  p )
µp= 0.6 p 
n
p = 0.7
p (1  p ) N n
p n N 1
 Teorema de Límite Central
(o de Distribución Normal de Medias)

 p    p  0.6  p  0.049 n  100 p  0.7

Calcular : P( p  0.7)

 p
 E ( p )    0.6
Distribución de Muestreo
p (1  p )
 p

n
 0.049

P( p  0.7)  ?
0.7
X
 p  0.6
 Teorema de Límite Central
(o de Distribución Normal de Medias)

Valor Z para Distribución Muestral de proporción

x
z

p  p
z
p
 Teorema de Límite Central
(o de Distribución Normal de Medias)

 p  0.6  p  0.049 n  100 p  0.7

Calcular : P( p  0.7) Distribución Normal
Estándar

Z 1
0.7  0.6
z0.7   2.04
0.049

P( z  2.04)  1  0.9793  0.0207 2.04

Z  0
Z

Es poco probable que en una muestra de 100 peruanos se encuentre que

el 70% apruebe el manejo económico del Presidente.
 Teorema de Límite Central
(o de Distribución Normal de Medias)
• Una investigación de mercados plantea realizar una encuesta para estudiar las
preferencias familiares de una nueva mantequilla. Se desearía basar la
encuesta en por lo menos 500 familias que consuman mantequilla al menos
ocasionalmente. Cómo se desconoce cuales son las familias que consumen
mantequilla, se deberá extraer una muestra suficientemente grande como para
obtener dentro de ella 500 familias que consuman mantequilla. Se supone que
por lo menos el 60% de las familias consumen mantequilla. Con base en esta
creencia se decidió que una muestra de 1000 familias debería ser suficiente.
• ¿Cuál es el número esperado de familias consumidoras de mantequilla en la
muestra?
• ¿Cuál es la probabilidad de que se obtengan menos de 500 familias
consumidoras de mantequilla?
 Teorema de Límite Central
(o de Distribución Normal de Medias)

• El número esperado = estimación puntual

np  0.6 x1000  600 familias

p (1  p )
Dado:
n = 1000  p

n
p=?
µp= 0.6
p (1  p ) N  n
p = 0.5
 p

n N 1
 Teorema de Límite Central
(o de Distribución Normal de Medias)

 p    p  0.6  p  ? n  1000 p  0.5

Calcular : P( p  0.5)

p (1  p )
p n
Distribución de Muestreo

0.6(1  0.6)
p 1000
 0.01549

P( p  0.5)  ?
0.5
X
 p  0.6
 Teorema de Límite Central
(o de Distribución Normal de Medias)

 p  0.6  p  0.01549 n  1000 p  0.5

Calcular : P( p  0.5) Distribución Normal
Estándar

0.5  0.6 Z 1
z0.5   6.4557
0.01549

P( z  6.4557)  5.3859 E  11
P( p  0.5)  5.3859E  11 -6.4557
Z  0
Z
La probabilidad es muy pequeña, es casi seguro que en las 1000 familias se
encuentren más de 500 que consuman mantequilla.
 Estadística

Métodos
Estadísticos

Estadística Estadística
Descriptiva Inferencial

Prueba de
Estimación Hipótesis
 Proceso de Estimación

Población Muestra

Población
Estimador

Estimación
 Tipos de Estimación

Estimación

Estimación Estimación
Puntual de Intervalo

• Puntual
– Un número (llamado punto)
que se emplea para estimar un
parámetro poblacional, p.e.
media, varianza, proporción
muestral, etc.
Estimación
• De intervalo
– Expresa la amplitud dentro de
la cual probablemente se
encuentra un parámetro
poblacional (intervalos de
confianza)
 Estimación Puntual

Estadística de MuestraParámetro de Población

Media de Muestra x  Media de Población 

Des. Est. Muestra s  Des. Est. Población 
2 2
Varianza Muestra s  Varianza Población 
Proporción de Muestra p  Proporción de Población p
ESTADÍSTICA
Diplomatura de Estudio
en
Gestión de Operaciones
Prof. Juan Narro Lavi