UNIVERSIDAD

NACIONAL DE SAN
AGUSTIN
DISTRIBUCIONES
MUESTRALES
MUESTREO
 Muchas veces en vez de examinar la población
entera, que puede ser físicamente imposible o poco
practico, puede examinarse una muestra de la
población con el propósito de inferir los resultados.
 El proceso de seleccionar una muestra de n
elementos de la población se llama “Muestreo”.
 Una técnica para obtener muestras representativas
de la población es el “muestreo aleatorio”.
MUESTREO ALEATORIO
 Se llama muestreo aleatorio a todo proceso que
asegure en cualquier momento del mismo igual
probabilidad de ser incluidos en la muestra a todos
los elementos que pertenezcan a la población en
dicho momento.
 A las muestras aleatorias también se les denomina
muestras probabilísticas.
 Las muestras aleatorias son de cuatro tipos: al azar
simple, al azar sistemático, al azar estratificado y al
azar por conglomerados.
MUESTREO AL AZAR SIMPLE
 Los elementos se escogen del total de la población en forma
individual e independiente.
 Si la población es infinita el muestreo aleatorio ocurre cuando la
extracción de elementos de la muestra se hace con o sin
reemplazo.
 Si la población es finita de tamaño N, el muestreo ocurre
también, si la extracción es con o sin reemplazo.
Con reemplazo, la probabilidad de que cada elemento sea
elegido es 1/N.
Sin reemplazo, la probabilidad de que cada elemento sea
elegido en la primera extracción es 1/N, en la segunda 1/(N-1),
en la tercera 1/(N-2) y así sucesivamente.
 MUESTREO AL AZAR SIMPLE

Ejemplo:
 Seleccionar una muestra al azar simple, es la
extracción de 6 números de 45 en la lotería
“La tinka”.
MUESTREO AL AZAR
SISTEMATICO

 Los elementos se eligen de la población a

intervalos uniformes a partir de un listado
ordenado.
 El k- ésimo elemento de la muestra es.
k=N/n, donde N es el tamaño de la
población y n el de la muestra.
MUESTREO AL AZAR
SISTEMATICO
 Ejemplo.
Elegir una muestra sistemática de 1000
alumnos de la UNSA, que tiene 4800
alumnos, k=4800/1000=4.8¬4
El primero se elige en forma aleatoria de la
lista de los 4 primeros de la lista y los demás
sistemáticamente cada 4 alumnos de la lista.
MUESTREO ALEATORIO
ESTRATIFICADO
 Se clasifican a los elementos de la población
en subgrupos separados de acuerdo con
algunas características importantes
(estratos), después se obtiene por separado
una muestra aleatoria simple o sistemática
en cada estrato.
 El tamaño de cada submuestra debe ser
proporcional al tamaño del estrato para
asegurar representatividad.
MUESTREO ALEATORIO
ESTRATIFICADO
 Ejemplo:
Para obtener una muestra aleatoria de 600
electores de una población de 600000
electores de los cuales 300000 son de la
clase baja, 200000 de la clase media y
100000 de clase alta. Se deben elegir al azar
300 de la clase baja, 200 de la clase media y
100 de la clase alta.
MUESTREO ALEATORIO AGRUPADO

 Se denomina también por conglomerado

 Los elementos de la población se dividen en
forma natural en subgrupos, luego se eligen
al azar los subgrupos que forman la muestra.
MUESTREO ALEATORIO
AGRUPADO
 Ejemplo:
Al estudiar las pensiones que se pagan en los
colegios particulares, no es posible tener una lista
de todas las pensiones, pero si se puede obtenerse
una lista de los colegios particulares (grupos).
Con la lista de colegios particulares se obtiene una
muestra aleatoria de colegios y así obtener las
pensiones que se pagan en estos colegios.
Muestra Aleatoria

Una muestra aleatoria de tamaño n de la

variable aleatoria X, es un conjunto de n
variables aleatorias: X1, X2,…, Xn
independientes y con la misma distribución
que la variable aleatoria X.
Muestra Aleatoria

Sea X es una variable aleatoria con:

E(X) = μ y V(X) = σ2.
Si X1, X2,…, Xn es una muestra aleatoria de
la variable aleatoria X, entonces:
E(Xi) = μ, V(Xi) = σ2 (i = 1, 2,…, n.)
Distribución muestral

La distribución de probabilidades de un
Estadístico, se llama una “distribución
muestral”.
 __
Distribución muestral de X

Sea X1, X2,…, Xn es una muestra aleatoria de

tamaño n de la variable aleatoria X, con
E(Xi) = μ, V(Xi) = σ2 (i = 1, 2,…, n).

__ X
i 1
i
Si X  , entonces
n
 __
Distribución muestral de X
__
1) E ( X )   (  __   )
X
2 2
__
 2 
2) V ( X )  ( __  )
n X n
__
2
3) Si n   : X  N (  __ ,  __ )
X X
 __
Distribución muestral de X

Si la población es finita de tamaño N y el

muestreo es sin reposición, entonces:

2
2
__
 N n
 __  V ( X )  ( )
X n N 1
Ejemplo
En un Banco el saldo promedio en las
cuentas de sus ahorristas tiene una media de
2500 soles y una desviación estándar
de 400 soles.
Encontrar la probabilidad de que el saldo
promedio en una muestra de 50 cuentas
esté entre 2350 y 2650 soles.
 __
Distribución muestral de X
X = saldo en soles de una cuenta.
μ = 2500, σ = 400, σ2 = 4002.
50

__ X
i 1
i
X 
50
2
2 400
 __  2500,  __   3200
X X 50
__
X  N (2500, 3200)
 __
Distribución muestral de X
__
P(2350  X  2650)
2650  2500 2350  2500
 F( )  F( )
3200 3200
 F (2.65)  F (2.65)
 2 F (2.65)  1  2(0.9960)  1  0.9920
Ejemplo

En un Banco el saldo promedio en las cuentas

de sus ahorristas tiene una media de 2500
soles y una desviación estándar de 400
soles.
Si el banco tiene N = 10000 cuentas de
ahorro, encontrar la probabilidad de que el
saldo promedio en una muestra de 50
cuentas esté entre 2350 y 2650 soles.
 __
Distribución muestral de X
X = saldo en soles de una cuenta. N =10000.
μ = 2500, σ = 400, σ2 = 4002.
50

__ X
i 1
i
X 
50
400 2 10000  50
 __  2500,  __2  ( )  3184.3184
X X 50 10000  1
__
X  N (2500, 3184.3184)
 __
Distribución muestral de X
__
P(2350  X  2650)
2650  2500 2350  2500
 F( )  F( )
31.84.3184 3184.3184
 F (2.66)  F (2.66)
 2 F (2.66)  1  2(0.9961)  1  0.9922
Ejemplos
 En un establecimiento público el número de clientes
que ingresan diariamente tiene una media de 2000
y una desviación estándar de 1000. Encontrar:
 Aproximadamente la probabilidad de que el
número promedio de clientes que entran
diariamente al establecimiento en una muestra
de 30 días este entre 2350 y 2650.
 Encontrar el tamaño de la muestra n para que
con una probabilidad de 0.95 el error de
estimación al estimar la media poblacional sea
menor a 100 clientes.
 Si la tienda esta en una ciudad de 100000
habitantes y el muestre ha sido sin reemplazo.
Ejemplos
 Se sabe que el valor medio en dólares de los montos
de ventas de un producto determinado fue durante el
año pasado de $3400 por distribuidor al detalle, con
una desviación estándar de $200. Si el producto es
vendido por una gran cantidad de distribuidores.
 ¿Cuál es la probabilidad de que la media para una
muestra aleatoria de tamaño 25 sea mayor que $
3500.
 Que este entre $ 3350 y $ 3450
 __
Distribución muestral de P
Sea X1, X2,…, Xn es una muestra aleatoria de
tamaño n de la variable aleatoria X.
X tiene una distribución de Bernoulli con parámetro p

( X ~ Ber(p):
E(Xi) = p, V(Xni) = pq (i = 1, 2,…, n) )
__ X
i 1
i
Si P  , entonces
n
 __
Distribución muestral de P
__
1) E ( P )  p (  __  p )
P
__
pq 2 pq
2) V ( P )  ( __  )
n P n
__
pq
3) Si n   : P  N ( p, )
n
 __
Distribución muestral de P

Si la población es finita de tamaño N y el muestreo

es sin reposición, entonces:

2
__
pq N  n
 __  V ( P)  ( )
P n N 1
Si N es grande respecto a n, entonces el factor de
corrección se aproxima a la unidad.
Ejemplo
El porcentaje de electores que votan por el candidato
A es del 30%. Encontrar la probabilidad de que
en una muestra de 400 electores el porcentaje de
electores que votan por el candidato A este entre
25% y 35%.
 __
Distribución muestral de P
P = Proporción que votan por A.
P = 0.30

n  400 :
2 0.3 * 0.7
 __  0.30 ,  __   0.000525
P P 400
__
P  N (0.30, 0.000525)
 __
Distribución muestral de P
__
P(0.25  P  0.35)
0.35  0.30 0.25  0.30
 F( )  F( )
0.000525 0.000525
 F (2.18)  F (2.18)
 2 F (2.18)  1  2(0.9854)  1  0.9708
Ejemplo

El porcentaje de electores que votan por el candidato

A es del 30%. Si el número de electores es de
10000, encontrar la probabilidad de que en una
muestra de 400 electores el porcentaje de electores
que votan por el candidato A este entre 25% y 35%.
 __
Distribución muestral de P
P = Proporción que votan por A.
P = 0.30

n  400 :
2 0.3 * 0.7 10000  400
 __  0.30 ,  __  ( )  0.000504
P P 400 10000  1
__
P  N (0.30, 0.000504)
 __
Distribución muestral de P
__
P(0.25  P  0.35)
0.35  0.30 0.25  0.30
 F( )  F( )
0.000504 0.000504
 F (2.23)  F (2.23)
 2 F (2.23)  1  2(0.9871)  1  0.9742
 __
Distribución muestral de P
 En un proceso de producción el porcentaje de unidades
defectuosas producidas es el 4%. Para controlar el proceso ,
se revisan periódicamente los objetos producidos.
 Calcular aproximadamente la probabilidad de que en una
muestra aleatoria de 150 unidades revisadas se
encuentren 6% defectuosos.
 Si el proceso de producción se para al encontrar al menos
5% de unidades producidas al revisar muestras aleatorias
de 100 objetos cada vez, ¿cuál es la probabilidad de que
el proceso continúe si realmente produce 6% defectuosos
del total de la producción?
 __
Distribución muestral de P
 La probabilidad de que un paciente se
recupere de una rara enfermedad es 0.4.
¿Cuál es la probabilidad de que una muestra
de 100 pacientes seleccionados de una
población de 1000 que sufren la enfermedad,
más del 30% sobrevivirán?
Estimador

Estadístico para estimar un parámetro.

 Estimación

Sean: x1, x2,…, xn los valores experimentales

de una muestra aleatoria X1, X2,…, Xn de la variable
aleatoria X.

ˆ ( X 1 ,..., X n ) es un estimador del parámetro 

Si 
entonces
ˆ( x1 ,..., x n ) es una estimación del parámetro 
 Estimador insesgado

ˆ es un estimador insesgado del parámetro  ,


si E (ˆ)  (  ˆ   )
Sesgo de un estimador

Sea ˆ un estimador del parámetro  .

El sesgo de ˆ : sesgo(ˆ )  E (
ˆ ) 
 Propiedad.
Estimador insesgado

ˆ es un estimador insesgado del parámetro  


ˆ)0
sesgo(
Ejemplo
__
a ) X es un estimador insesgado de 
__
( E( X )   )
__
b) P es un estimador insesgado de p
__
( E ( P)  p )
Estimador más eficiente

Dados dos estimadores insesgados de un

parámetro, es más eficiente el que tiene menor
varianza.
Ejemplo
Sea X1, X2,…, Xn es una muestra aleatoria de la
variable aleatoria X, con E(Xi) = μ, V(Xi) = σ2
(i = 1, 2,…, n).
10 5

X i X i
ˆ1 
Sean  i 1 ˆ2 
y  i 1

10 5
dos estimadores de  .
Ejemplo
ˆ 1 )   y E (
E ( ˆ 2)   
ˆ1 y
 ˆ 2 son insesgados.
2 2
ˆ 1)   ˆ 2)  
V ( y V ( 
10 5
V (ˆ 1 )  V (
ˆ 2) 
ˆ 1 es más eficiente que 
 ˆ 2.
Error estándar

El error estándar de un estadístico, es

la desviación estándar del estadístico.
Ejemplo

a) Si la población es infinita
o el muestreo es con reposición:
__

El error estándar de X es  __ 
X n
__
pq
El error estándar de P es  __ 
P n
 Ejemplo

b) Si la población es finita de tamaño N

y el muestreo es sin reposición:
__
 N n
El error estándar de X es  __ 
X n N 1
__
pq N  n
El error estándar de P es  __ 
P n N 1
Error de estimación

El error de estimación es la distancia entre

la estimación del parámetro y el parámetro
Varianza muestral

Sea X1, X2,…, Xn es una muestra aleatoria de la

variable aleatoria X, con E(Xi) = μ, V(Xi) = σ2
(i = 1, 2,…, n).
La varianza muestral es:
n __

2
(X
i 1
i  X) 2

S 
X
n 1
Propiedad.
Varianza muestral
Sea X1, X2,…, Xn es una muestra aleatoria
de la variable aleatoria X,
con E(Xi) = μ, V(Xi) = σ2 (i = 1, 2,…, n).

E(SX2) = σ2

( SX2 es un estimador insesgado de σ2 )

Desviación estándar muestral

La desviación estándar muestral es:

2
SX  S X