Ma.

Isabel Chávez Castro

TEMA 6: MUESTREO/DISTRIBUCIONES
MUESTRALES/INTERVALOS DE CONFIANZA
CONTENIDOS GENERALES
 Técnicas de Muestreo: Introducción y
clasificación
 Distribuciones Muestrales: Definición,
media muestral de la media y error típico
 Teorema del Límite Central
TÉCNICAS DE MUESTREO
 INTRODUCCIÓN
En este capítulo se comienza el estudio de la Estadística
Inferencial que es la segunda parte de la estadística como
ciencia.
El principal propósito de la inferencia estadística es hacer
estimaciones y pruebas de hipótesis acerca de parámetros
poblacionales usando la información que proporciona la
muestra.
Es así que debemos recapitular estas dos definiciones:
población y muestra.
TÉCNICAS DE MUESTREO

Se conoce como población a todos los elementos que

han sido escogidos para un estudio, mientras que
muestra es una porción de esta población.
En muchas ocasiones el usar la muestra es más
factible que utilizar toda la población para el análisis,
es así que se detallan algunas razones importantes
para muestrear:
1. Establecer contacto con toda la población
requeriría mucho tiempo.
TÉCNICAS DE MUESTREO
2. El costo de estudiar a toda la población resultaría
prohibitivo.
3. Es imposible verificar de manera física todos los
elementos de la población (existe poblaciones que son
consideradas infinitas).
4. Algunas pruebas son de naturaleza destructiva.

5. Los resultados de la muestra se consideran apropiados.

El muestreo es una herramienta que se utiliza en la

investigación para poder obtener una o más muestras de la
población.
TÉCNICAS DE MUESTREO

Existen dos técnicas para poder muestrear: el

muestreo no aleatorio (o de juicio) y el muestreo
aleatorio (o de probabilidad). Estos a su vez se
subclasifican en:
TÉCNICAS DE MUESTREO

En el muestreo de probabilidad, todos los

elementos de la población tienen la oportunidad de
ser escogidos para la muestra mientras que en el
muestreo de juicio, se emplea el conocimiento y la
opinión personal para identificar a los elementos de
la población que deben incluirse en la muestra.
El muestreo estadístico utilizas el muestreo
probabilístico o de probabilidad en su desarrollo.
TÉCNICAS DE MUESTREO
Se describe a continuación brevemente cada uno de estas técnicas:
a) Muestreo Aleatorio Simple: Es uno de los métodos más
comunes que se utilizan para muestrear y consiste en
considerar que cada elemento de la muestra tengan las
mismas posibilidades que se le incluya.
Se utiliza las llamadas tablas de números aleatorios para
poder seleccionar a los elementos. Estos números aleatorios
son generados por un proceso aleatorio (normalmente una
computadora en la actualidad).
.
TÉCNICAS DE MUESTREO

b) Muestreo sistemático: En el muestreo

sistemático los elementos son seleccionados de la
población dentro de un intervalo uniforme que se
mide con respecto al tiempo, al orden o al
espacio.
Se diferencia del muestreo aleatorio simple en que
cada elemento tiene igual oportunidad de ser
seleccionado, «pero cada muestra no tiene una
posibilidad igual de ser seleccionada.»
TÉCNICAS DE MUESTREO

En esta técnica se selecciona un punto aleatorio de

inicio y posteriormente se elige cada k-ésimo miembro
de la población (de ahí que sea un intervalo constante).
c) Muestreo Aleatorio Estratificado: Cuando la
población se divide en grupos a partir de ciertas
características se utiliza el muestreo estratificado
con el fin de garantizar de que todos los grupos se
encuentren representados en la muestra. Estos
grupos se llaman «estratos»
TÉCNICAS DE MUESTREO
La ventaja de las muestras estratificadas es que, cuando se
diseñan adecuadamente, reflejan de manera más precisa las
características de la población de la cual fueron elegidas,
en comparación con otro tipo de muestras.
d) Muestreo por conglomerados (o de racimo): La
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.
TÉCNICAS DE MUESTREO

Tanto en el muestreo estratificado como en el de racimo,

la población se divide en grupos bien definidos. Usamos
el muestreo estratificado cuando cada grupo tiene
una pequeña variación dentro de sí mismo, pero hay
una amplia variación de un grupo a otro.
Usamos el muestreo de racimo en el caso opuesto,
cuando hay una variación considerable dentro de
cada grupo, pero los grupos son esencialmente
similares entre sí.
DISTRIBUCIONES MUESTRALES
Para poder definir que es una distribución muestral,
debemos recordar que la media muestral () es el estimador
puntual de la media poblacional (µ), y que la proporción
muestral () es el estimador puntual de la proporción
poblacional (p). Estos valores muestrales van a depender
de las muestras que puedan tomarse de una población y
tendrán variaciones entre sí.
Entonces podemos definir como distribución muestral al
conjunto de los valores que se obtienen de analizar todas
estas muestras aleatoriamente escogidas.
DISTRIBUCIONES MUESTRALES
De manera general el estadístico que más se estudia es la
media muestral, por lo tanto, al conjunto de los distintos
valores que toma la media muestral como resultado de
distintas muestras aleatorias simples se lo conoce como
DISTRIBUCION MUESTRAL DE LA MEDIA.
Conocer esta distribución muestral y sus propiedades
permitirá hacer declaraciones de probabilidad de qué tan
cerca está la media muestral de la media poblacional μ.
DISTRIBUCIONES MUESTRALES

Una definición más formal para la distribución

muestral de la media sería:
«La distribución muestral de es la distribución de
probabilidad de todos los valores de la media
muestral ».
Como otras distribuciones de probabilidad, la
distribución muestral de la media tiene su valor
esperado, su desviación estándar y su forma
característica.
DISTRIBUCIONES MUESTRALES
a) Valor esperado: Como la variable aleatoria puede tener
muchos valores diferentes, suele ser de interés conocer
la media de todos los valores de que se obtienen con
diferentes muestras aleatorias simples.
La media de la variable aleatoria es el valor esperado de , y
se lo conoce como media de media muestrales, su
ecuación es:

donde son las medias de cada muestra y n el número de

muestras que se escogieron.
DISTRIBUCIONES MUESTRALES
Es importante mencionar que si E() es el valor esperado de
y μ es la media de la población de la que se selecciona una
muestra aleatoria simple, se puede demostrar que cuando se
emplea el muestreo aleatorio simple E() y μ son iguales.
Por ejemplo, dada la población 12,12,14 y 16:
 Hallar todas las muestras de tamaño dos que puedan
formarse.
 Graficar la distribución muestral de la media.

 Encontrar la media de medias muestrales y la media

población. ¿Qué puede decir al respecto?

DISTRIBUCIONES MUESTRALES

Paso 1: Analizar si debo usar una combinación o

permutación para encontrar las muestras de 2
posibles
En este caso como no me importa el orden del
proceso utilizo una combinación:

n=4, r=2
DISTRIBUCIONES MUESTRALES

Se pueden formar 6 parejas, las mismas que son

(con esto se responde a la primera inquietud del
ejercicio)
DISTRIBUCIONES MUESTRALES

Para la segunda parte, que nos pide graficar la

distribución muestral, calcular la media muestral en
cada una de las parejas que se formaron y determinar la
probabilidad para cada una de ellas.
La media muestral es la semisuma de los valores de
cada pareja:
DISTRIBUCIONES MUESTRALES

La probabilidad se calcula El gráfico resultante será por

basándonos en la teoría lo tanto:
clásica:
DISTRIBUCIONES MUESTRALES

Para la parte tres Calculamos la media

calcularemos primero la poblacional:
media de medias
muestrales:

Podemos concluir entonces

que se cumple que la media
de medias muestrales es
igual a la media población.
DISTRIBUCIONES MUESTRALES

b) Desviación estándar: Se la denota como:

Se lo calcula utilizando las siguientes fórmulas en

función de si hablamos de poblaciones finitas o
poblaciones infinitas:
DISTRIBUCIONES MUESTRALES

Sin embargo, el término (que se llama factor de

corrección para una población finita) es un factor
que se considera despreciable si se sabe que se tiene
una población finita grande pero la muestra es
pequeña (, por lo cual para ambos casos de
poblaciones puede ocuparse:

donde n es el número de elementos que conforman la

muestra y σ es la desviación estándar de la población.
DISTRIBUCIONES MUESTRALES

Para poder recalcar la diferencia entre la desviación

estándar de la media muestral () y de la desviación
estándar de la población (σ), a la primera se la
conoce como ERROR ESTÁNDAR O TÍPICO.
El término error estándar se refiere a la desviación
estándar de un estimador puntual. El valor del error
estándar de la media ayuda a determinar qué tan
lejos puede estar la media muestral de la media
poblacional.
DISTRIBUCIONES MUESTRALES
c) Forma de la distribución muestral de : Para analizar la
forma de esta distribución, podemos considerar dos casos:
 La población tiene forma normal.

 La población no tiene forma normal.

La población tiene distribución normal: En muchas

circunstancias es razonable suponer que la población de la
que se seleccionó la muestra aleatoria simple tenga
distribución normal o casi normal. Cuando la población tiene
distribución normal, la distribución muestral de de está
distribuida normalmente sea cual sea el tamaño de la muestra.
DISTRIBUCIONES MUESTRALES
La población no tiene distribución normal: Cuando la
población de la que se tomó la muestra aleatoria simple no tiene
distribución normal, el TEOREMA DEL LÍMITE CENTRAL
ayuda a determinar la forma de la distribución muestral de . El
enunciado del teorema del límite central aplicado a la
distribución muestral de dice lo siguiente:
«Cuando se seleccionan muestras aleatorias simples 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»
El gráfico a Resultados del Teorema del
continuación nos
permite observar como Límite Central:
la distribución
muestral se va
aproximando a una
distribución normal
mientras más grande
es la muestra:

TEOREMA DEL LÍMITE CENTRAL

TEOREMA DEL LÍMITE CENTRAL
La mayoría de especialistas consideran que con una
muestra de 30 (o más) es lo bastante grande para aplicar
el teorema del límite central.
Gracias a esta aproximación se puede utilizar las tablas
de distribución normal para calcular las probabilidades
cuando se habla de situaciones en las cuales se
consideran las muestras de la población. En este caso
para normalizar a la variable se usa la relación:
TEOREMA DEL LÍMITE CENTRAL
Por ejemplo:
Usted a aceptado un empleo en Estados Unidos,
específicamente en el sur de California, en donde la renta
de un departamento con una recámara tiene una
distribución normal con una media de $2 200 mensuales
y una desviación estándar de $150 mensuales.
¿Cuál es la probabilidad que al seleccionar una muestra
de 150 departamentos de una recámara la media es menor
a $2195 mensuales?
TEOREMA DEL LÍMITE CENTRAL

Paso 1: Identificar los datos que nos proporciona

el ejercicio
µ=2200 usd
σ=150 usd
n=150
P(=?
Paso 2: Como nos da informe de que se toma una
muestra debo normalizar con
TEOREMA DEL LÍMITE CENTRAL

Paso 3: Indicar que valor de la curva estamos

buscando
Paso 4: Usando la tabla de normalidad encontrar el
valor de z
TEOREMA DEL LIMITE CENTRAL

Paso 3: Parte amarilla es lo Paso 4: Recuerde que la

que busco curva normal es simétrica.
TEOREMA DEL LÍMITE CENTRAL

Lo que se tiene es: Paso 5: Encontrar la

probabilidad buscada
P(0,5-0,4793
P(0,0207
O en forma porcentual
Lo que necesito es: 2,07%.
21-12-2022

MUCHAS GRACIAS