Distribuciones Fundamentales para El Muestreo
Distribuciones Fundamentales para El Muestreo
Distribuciones Fundamentales para El Muestreo
JOHN S. LOUCKS
St. Edward’s University
Adaptadas por
José Luis Martínez Pichardo
Instituto Tecnológico de Celaya
Slide
2
Inferencia Estadística
El propósito de la inferencia estadística es obtener
información acerca de una población a partir de
información contenida en una muestra.
Una población es el conjunto de todos los elementos
de interés.
Una muestra es un subconjunto de la población.
Los resultados de la muestra proporcionan sólo
estimaciones de los valores de las características de
la población.
Un parámetro es una característica numérica de una
población.
Con métodos de muestreo apropiados, los resultados
de la muestra proporcionarán “buenas” estimaciones
de las características de la población.
Slide
3
Muestreo Aleatorio Simple
Población Finita
• Una muestra aleatoria simple de una población
finita de tamaño N es una muestra seleccionada de
modo tal que cada posible muestra de tamaño n
tiene la misma probabilidad de ser seleccionada.
• El remplazo de cada elemento muestreado antes
de seleccionar elementos subsecuentes se
denomina muestreo con remplazo.
• El muestreo sin remplazo es el procedimiento
usado más frecuentemente.
• En proyectos de muestreo grandes, los números
aleatorios generados por computadora se usan
frecuentemente para automatizar el proceso de
selección de la muestra.
Slide
4
Muestreo Aleatorio Simple
Población Infinita
• Una muestra aleatoria simple de una población
infinita es una muestra seleccionada de modo tal
que se satisfacen las condiciones siguientes.
• Cada elemento seleccionado proviene de la
misma población.
• Cada elemento se selecciona
independientemente.
• La población generalmente se considera infinita si
implica un proceso continuo que hace que listar o
contar cada elemento sea imposible.
• El procedimiento de selección de números
aleatorios no puede usarse para poblaciones
infinitas.
Slide
5
Estimación Puntual
En la estimación puntual se usan los datos de la
muestra para calcular un valor de un estadístico de
una muestra estadística que sirve como un estimador
de un parámetro de la población.
x es el estimador puntual de la media de la población
.
s es el estimador puntual de la desviación estándar
de la población .
p es el estimador puntual de la proporción de la
población p.
Slide
6
Error de Muestreo
La diferencia absoluta entre un punto estimado no
desviado y el correspondiente parámetro de la
población se denomina error de muestreo.
El error de muestreo es el resultado de usar un
subconjunto de la población (la muestra), y no la
población total para desarrollar estimaciones.
Los errores de muestreo son:
| la media muestral
| x para
| s - s | para la desviación estándar
muestral
| p para
p | la proporción muestral
Slide
7
Ejemplo: St. Andrew’s
Slide
8
Ejemplo: St. Andrew’s
Al director de admisiones le gustaría conocer
la siguiente información:
• El promedio de los resultados del SAT para
los solicitantes, y
• La proporción de solicitantes que quieren
vivir en el campus.
Tres alternativas para obtener la información
deseada serían:
• Realizar un censo de los 900 solicitantes.
• Seleccionar una muestra de 30 solicitantes,
usando una tabla de números aleatorios.
• Seleccionar una muestra de 30 solicitantes,
usando números aleatorios generados porSlide
9
Ejemplo: St. Andrew’s
Realizar un Censo de los 900 Solicitantes
• Resultados del SAT
• Media de la Población
x i
990
900
• Desviación Estándar de las Población
(x i )2
80
900
• Solicitantes que Desean Alojarse en el Campus
• Proporción de la Población
648
p .72
900
Slide
10
Ejemplo: St. Andrew’s
Tomar una Muestra de 30 Solicitantes Usando una
Tabla de Números Aleatorios
Puesto que la población finita tiene 900 elementos,
se necesitarán números aleatorios de 3 dígitos para
seleccionar aleatoriamente solicitantes numerados
del 1 al 900.
Se usarán los últimos tres dígitos de los números
aleatorios de 5 dígitos en la tercera columna de una
tabla de números aleatorios. Los números que se
sacarán serán los números de los solicitantes que se
muestrearán a menos que
• el número aleatorio sea mayor que 900 o
• el número aleatorio ya haya sido utilizado.
Se continuará extrayendo números aleatorios hasta
tener 30 solicitantes para la muestra.
Slide
11
Ejemplo: St. Andrew’s
Uso de Números Aleatorios para Muestrear
Número Aleatorio Solicitante
de 3 Dígitos Incluido en la Muestra
744 No. 744
436 No. 436
865 No. 865
790 No. 790
835 No. 835
902 Número mayor de 900
190 No. 190
436 Número ya usado
etc. etc.
Slide
12
Ejemplo: St. Andrew’s
Datos Muestrales
Número Resultado Alojamiento
No. Aleatorio Solicitante SAT en el Campus
1 744 Connie Reyman 1025 Si
2 436 William Fox 950 Si
3 865 Fabian Avante 1090 No
4 790 Eric Paxton 1120 Si
5 835 Winona Wheeler 1015 No
. . . . .
30 685 Kevin Cossack 965 No
Slide
13
Ejemplo: St. Andrew’s
Tomar una Muestra de 30 Solicitantes Usando
Números Aleatorios Generados por Computadora
• Excel proporciona una función para generar
números aleatorios en su hoja de cálculo.
• Se generan 900 números aleatorios, uno por cada
solicitante en la población.
• Luego se eligen los 30 solicitantes
correspondientes a los 30 números aleatorios más
pequeños como la muestra.
• Cada uno de los 900 solicitantes tiene la misma
probabilidad de ser incluida.
Slide
14
Uso de Excel para Seleccionar
una Muestra Aleatoria Simple
Fórmula de la Hoja de Cálculo
A B C D
Número de Resultad En el Número
1 Solicitante SAT Campus Aleatorio
2 1 1008 Si =RAND()
3 2 1025 No =RAND()
4 3 952 Si =RAND()
5 4 1090 Si =RAND()
6 5 1127 Si =RAND()
7 6 1015 No =RAND()
8 7 965 Si =RAND()
9 8 1161 No =RAND()
Slide
15
Uso de Excel para Seleccionar
una Muestra Aleatoria Simple
Valor de la Hoja de Cálculo
A B C D
Número de Resultad En el Número
1 Solicitante SAT Campus Aleatorio
2 1 1008 Si 0.26660
3 2 1025 No 0.98392
4 3 952 Si 0.90355
5 4 1090 Si 0.66486
6 5 1127 Si 0.54644
7 6 1015 No 0.57485
8 7 965 Si 0.06149
9 8 1161 No 0.97387
Slide
16
Uso de Excel para Seleccionar
una Muestra Aleatoria Simple
Valor de Hoja de Cálculo (Ordenado)
A B C D
Número de Resultad En el Número
1 Solicitante SAT Campus Aleatorio
2 12 1107 No 0.00027
3 773 1043 Si 0.00192
4 408 991 Si 0.00303
5 58 1008 No 0.00481
6 116 1127 Si 0.00538
7 185 982 Si 0.00583
8 510 1163 Si 0.00649
9 394 1008 No 0.00667
Nota: No se muestran los renglones 10-901.
Slide
17
Ejemplo: St. Andrew’s
Slide
18
Distribución Muestral de x
x
El valor de se usa Los datos muestrales
para hacer inferencias dan un valor de la
media muestralx
acerca del valor de m.
Slide
19
Distribución Muestral de x
Slide
20
Distribución Muestral de x
Desviación Estándar de x
Población Finita Población Infinita
N n
x ( ) x
n N 1 n
• Una población finita se trata como si fuera infinita
si n/N < 0.05.
• ( N n) / ( N 1) es el factor de corrección finito.
• x es referido como el error estándar de la media.
Slide
21
Distribución Muestral de x
Slide
22
Ejemplo: St. Andrew’s
80
x 14.6
n 30
x
E ( x ) 990
Slide
23
Ejemplo: St. Andrew’s
Slide
24
Ejemplo: St. Andrew’s
x
980 990 1000
Usando la tabla de probabilidad normal estándar con
z = 10/14.6= .68, se tiene un área = (.2518)(2) = .5036
Slide
25
Distribución Muestral de p
Valor Esperado
de p E ( p) p
donde:
p = la proporción de la población
Slide
26
Distribución Muestral de p
Desviación Standar de p
Población Finita Población Infinita
p (1 p ) N n p(1 p)
p p
n N 1 n
Slide
27
Ejemplo: St. Andrew’s
Distribución Muestral de p para los Residentes En el
Estado
.72(1 .72)
p .082
30
E( p ) .72
Slide
28
Ejemplo: St. Andrew’s
Slide
29
Ejemplo: St. Andrew’s
p
0.67 0.72 0.77
Para z = .05/.082 = .61, el área = (.2291)(2) = .4582.
La probabilidad es .4582 de que la muestra de la
proporción estará dentro de +/-.05 de la proporción
de la población real.
Slide
30
Propiedades de los Estimadores
Slide
31
Propiedades de los Estimadores
No desviación (sesgo)
Slide
32
Propiedades de los Estimadores
Eficiencia
Slide
33
Propiedades de los Estimadores
Consistencia
Slide
34
Otros Métodos de Muestreo
Slide
35
Muestreo Aleatoriamente Estratificado
Slide
36
Muestreo Aleatorio Estratificado
Slide
37
Muestreo por Conglomerados
… continúa
Slide
38
Muestreo por Conglomerados
Slide
39
Muestreo Aleatorio Sistemático
… continúa
Slide
40
Muestreo Aleatorio Sistemático
Slide
41
Muestreo por Conveniencia
Slide
42
Muestreo por Juicio
Slide
43
Fin del Tema
Slide
44