UNIVERSIDAD NACIONAL AUTONOMA DE

NICARAGUA

Tema: V

MUESTREO Y ESTIMACION

SERGIO MARTINEZ VILLARREYNA

ABRIL 2008
 VENTAJAS DEL MUESTREO.
 Rapidez y bajo costo de la información

requerida..
 Es un procedimiento práctico cuando la

población es muy grande o infinita.

 Evita la destrucción de toda la población.

 .
 MUESTREO Y ESTIMACION

– METODOS DE MUESTREO

• MUESTREO NO PROBABILISTICO
 - Se usan el conocimiento, la experiencia y la opinion
personal para identificar los elementos de la población
que van a incluirse en la muestra.
 .
• MUESTREO PROBABILISTICO
 - Es un método de muestreo en el cual cada elemento de
la población tiene una probabilidad conocida (no igual a
cero) de ser incluido en la muestra.
 .
 MUESTREO Y ESTIMACION

 TIPOS DE MUESTREOS PROBABILISTICOS

 MUESTRA ALEATORIA SIMPLE. Pasos a seguir:
 Construir el marco muestral.
 Especificar si el muestreo será con o sin

reposición.
 Utilizar una tabla de números aleatorios
 Asignar códigos—Escoger una entrada –Escoger una dirección
 Elegir la muestra
 MUESTREO Y ESTIMACION

• MUESTRA ALEATORIA SISTEMATICA

 1. Numerar u ordenar los elementos
poblacionales
 2. Obtener el intervalo de muestreo: k = N/n
 3. Seleccionar al azar un punto de arranque r
 4. Tomar cada k-ésimo elemento a partir del
punto de arranque r
 La muestra estará formada por los n números:
 r, r + k, r + 2k, . . . r + nk
 MUESTREO Y ESTIMACION

 1.4 MUESTREO ALEATORIO ESTRATIFICADO

 Consiste en dividir la población en sub-poblaciones o

estratos de manera de que cada estrato debe presentar una
pequeña variación en su interior con respecto a la
característica de interés X que estemos investigando, y
entre los distintos estratos las diferencias sean las más
grandes posibles. Luego seleccionamos una sub-muestra
de cada estrato utilizando muestreo aleatorio simple para
finalmente conformar la muestra aleatoria estratificada.
 Muestreo y Estimacion

 MUESTREO ALEATORIO POR CONGLOMERADOS.

 Consiste en dividir la población en colecciones de

elementos que llamaremos conglomerados de tal forma
que lo ideal es que cada conglomerado se parezca a los
demás.
 Considerando a estos conglomerados como unidades
muestrales tomamos una muestra aleatoria simple de
conglomerados y después hacemos un censo a cada
conglomerado seleccionado para finalmente obtener la
muestra aleatoria por conglomerado buscada.
 Muestreo y Estimación

 DISTRIBUCION MUESTRAL DE UN ESTIMADOR

 Supongamos que tenemos un estimador cualquiera de un
parámetro de cierta población
 Consideremos todas las muestras posibles de tamaño n que
pueden seleccionarse de esa población y calculemos para
cada muestra un estimado del parámetro. A partir de todos
los estimados podemos obtener una distribución de
probabilidad del estimador, que será llamada la distribución
muestral del estimador.
 Es precisamente la media y la varianza de la distribución
muestral del estimador lo que nos ayudará a conocer las
propiedades deseables de un estimador para hacer las
mejores inferencias sobre los parámetros.
 PROPIEDADES DE UN ESTIMADOR
 Supondremos que  (theta) representa un parámetro cualquiera de cierta
población y que ̂ ( theta con acento circunflejo ) representa su estimador
correspondiente Un buen estimador de un parámetro debe cumplir
básicamente las siguientes propiedades:

 Insesgadura.
 Un estimador de un parámetro  es insesgado si tiene una distribución
muestral con media
̂ de igual a , lo cual denotaremos así ̂  
 Eficiencia
 Si se tienen dos estimadores 1 y  2 de un mismo parámetro  y la
varianza del estimadorσ 1 es menor que la varianza del estimador σ2 ,
lo cual denotaremos así.  < 
2
ˆ1
2
ˆ2

 Entonces el estimador ^1 es más eficiente que el estimador 2

 Consideraremos la desviación estándar del estimador ̂ , denotada

 por ˆ
como un error de muestreo esperado (promedio) que
será llamado error estándar del estimador ̂ y que vendrá a ser un
indicador de la precisión del estimador
 MUESTREO EN POBLACIONES CON UNA DISTRIBUCION
DE PROBABILIDAD
 Puede demostrarse que si tenemos un población cuya variable de
interés X tiene una distribución de probabilidad con media  y
desviación estándar  entonces seguirá una distribución de
probabilidad con σ
 μX  μ y X n
σ 
para cualquier n

 siempre que el muestro se haya realizado de una población infinita o

bien muestreamos con reposición de una población finita.
 En símbolos tendríamos que
~ Normal (  ,  ) ~ Normal (  
X  X X  , X  )
n
 Si el muestreo se hizo sin reposición de
una población finita de tamaño N, se
debe usar el factor de corrección para
población finita (F C P F) al expresar el
error estándar de x así σ N -n
σX 
n N - l
 Muestreo en poblaciones normales
 Puede demostrarse que si tenemos una
población normal con media  y
desviación estándar  entonces seguirá
también una distribución normal


 En símbolos tendríamos que

 
X ~ Normal (  ,  )  X ~ Normal (  X  , X  )
n
 Muestreo en poblaciones no normales
 Teorema del límite central
 Si muestreamos una población no normal, con media  y
desviación estandar , utilizando un tamaño de muestra
suficientemente grande, esto es n  30, entonces tendrá
una distribución aproximadamente normal.

 En símbolos tendríamos que


X ~ No Normal ( μ , σ ) y n  30  X ~ aprox.Normal ( μ X  μ, σX 
σ
)
n
 siempre que el muestro se haya realizado de una población
infinita
 Estimador puntual y por intervalo
 Un estimador puntual de un parámetro es aquel que
proporciona un único estimado de ese parámetro al utilizar
los datos muestrales.
 Un estimador por intervalo de confianza de un parámetro
es aquel que define un par de variables aleatorias Li y Ls
(que llamaremos límite inferior y límite superior del
intervalo) entre los cuales diremos que hay una
probabilidad de 1 -  (que llamaremos nivel de confianza)
de que el parámetro se encuentre entre dichos límites; y
también diremos que hay una probabilidad  (que
llamaremos riesgo) de que no se encuentre entre dichos
límites.
 N

ESTIMADOR PUNTUAL DE  x i
 Un estimador puntual de la media poblacional
n
μ
N
 es la media muestral X   X i

 ESTIMADOR POR INTERVALO PARA  (  CONOCIDA)

 Un estimador por intervalo de confianza del (1 - )100%
para  estará dado por
X  z/2 σ x

 donde X - z/2  X será el límite inferior y X  z/2  x será

el límite superior del intervalo.
 Si la población es infinita
σ
X  z/2
n

 Si la población es finita.
σ N - n
N - 1 para cualquier n.
 X  z /2
n

 Determinación del tamaño de muestra

 Para una población infinita
2

n 
z σ si n
 0.05,
/2
o
 E  N
 
z/2 σ 2
  no N
POB. FINITA no    n 
 E  no  ( N - 1 )

n0 puede reducirse
 Muestreo y Estimación

 EJEMPLO
 Consideremos el conjunto de todas las pequeñas industrias de
un determinado artículo. Se quiere estimar la producción
anual promedio de las industrias y se sabe, en base a estudios
anteriores, que la desvia ción estándar poblacional de las
producciones anuales es igual a 2 en miles de unidades. Con
tal propósito se selecciona de un listado actualizado de 850
industrias una muestra aleatoria de 50 industrias, obteniendo
una producción anual promedio de 5.52 en miles de unidades.
 Encuentre un intervalo de confianza del 90% para la
producción anual promedio
 Cual debe ser el tamaño de muestra necesario si se quiere
estimarla producción anual promedio con un error má.ximo
permitido de 300 unidades
 MUESTREO Y ESTIMACION

 Se desea estimar la venta promedio por

cliente, en córdobas, de una tienda. Sobre la base
de datos de otras tiendas similares, se sabe que la
desviación estándar de ese tipo de ventas es de
aproximadamente C$ 3200.
 ¿Qué tamaño de muestra se debe utilizar, como
mínimo, si desea estimar la venta promedio con un
margen de error de C$ 1000 y una confianza del
99%?
 MUESTREO Y ESTIMACION

 La distribución t de Student
 Se utiliza cuando la desv. estándar poblacional es desconocida y n es
menor que 30
 Esto da como resultado que la estandarización de ya no sea la variable
aleatoria Z sino otra variable aleatoria que representaremos por t y
que tendrá una distribución de probabilidad conocida con el nombre
de distribución t de Student con n – 1 grados de libertad, ya que fue
investigada originalmente por William Gossett, quien publicó sus
escritos con el seudónimo “Student”.
 El hecho de tener que estimar el parámetro con los mismos n datos
que se utilizan para poder calcular el valor del estadístico t, hace que t
pierda un grado de libertad, esto es, que quede con n – 1 grados de
libertad (g.l).

 MUESTREO Y ESTIMACION

 CARACTERISTICAS
 1. Es una familia de distribuciones t de tal forma que cada vez que se
especifiquen sus grados de libertad n – 1, se produce una distribución
t particular.
 2. Es simétrica y de forma acampanada
 3. Como es ligeramente superior a 1, la distribución t es aplastada en
comparación a la normal estándar, es decir, platicúrtica.
 4. Cuando el número de grados de libertad tiende a infinito, la
distribución t se convierte en distribución Z.
 La distribución t se considera muy parecida a la distribución Z
cuando n  30
 MUESTREO Y ESTIMACION

 ESTIMADOR POR INTERVALO PARA 

 Un estimador por intervalo de confianza
del ( 1 -  ) 100% para  está dado así:
 Para una población infinita
S
 X  t/2
n siempre que n  30
 Para una población finita
 X  t
/2
S N-n siempre que n  30
n N -1
 MUESTREO Y ESTIMACION

 Observación 1.
 Si la población es normal y n  30 entonces según la característica
4 de la distribución t, podemos escribir en todas las fórmulas
anteriores z como una aproximación de t

 Observación 2.
 Si la población es no normal, pero n  30 entonces según el
teorema del límite central y la característica 4 de la distribución t,
también podemos escribir en todas las fórmulas anteriores z como una
aproximación de t.

 Según la distribución poblacional y el tamaño de muestra se presentan

en la tabla de abajo distintas situaciones en las cuales los estadísticos
Z o t pueden ser utilizados.
 MUESTREO Y ESTIMACION

 Ejemplo: Un auditor quiere estimar el saldo promedio

y el saldo total de una población de 1000 cuentas por
cobrar. Con tal propósito selecciona al azar una
muestra de 6 cuentas, obteniendo los siguientes
resultados en miles de córdobas.
 2.6 , 3.0 , 3.5 , 2.4 , 2.0 1.5
 Si suponemos que los saldos de las cuentas se
distribuyen aproximadamente normal.
 Determine un intervalo de confianza del 90% para:
 el saldo promedio de las cuentas si la media es 2.5 en
miles de córdobas y la desv. estándar de 0.7099
 MUESTREO Y ESTIMACION

 ESTIMADOR POR INTERVALO PARA p

 Para una población infinita

pS ( 1 - pS )
p S  z /2
n

 Para una población finita

pS ( 1 - pS ) N-n
p S  z/2
n N -1
 MUESTREO Y ESTIMACION

 Para una población infinita

2
z 
n  p(1  p) /2 
 E 

 Para una población finita

2
z 
n0  p(1  p) /2 
 E 

no no N
 Si  0.05, no puede reducirse n 
N no  ( N - 1 )
 Muestreo y Estimación

 El gerente de una cadena de tiendas de

departamentos desea determinar la proporción
de poseedores de tarjetas de crédito que
comprarían en las tiendas si estuvieran abiertos
los domingos. Con tal propósito decide
seleccionar una muestra aleatoria de 100
tarjeta-habientes, la cual informó que 60
comprarían los domingos.
 Encuentre un intervalo de confianza del 99%
para la proporción real de tarjeta-habientes que
comprarían los domingos.