ESTADSTICA

Universidad Estatal de Bolvar

Facultad de Ciencias Agropecuarias,
Recursos Naturales y del Ambiente
Carrera de Ingeniera Agroindustrial
Profesor: Moiss Arregun Smano
m_arreguin230@yahoo.com.mx

PROBABILIDAD
PROBABILIDAD

M.A.S

PROBABILIDAD
PROBABILIDAD

PROBABILIDAD
PROBABILIDAD

PROBABILIDAD
PROBABILIDAD

Probabilidad
Experimentos y sucesos aleatorios.
En estadstica, los conjuntos de inters son
colecciones de observaciones obtenidas estudiando
el comportamiento de un fenmeno, sea en estado
natural o bajo control. Para identificar el proceso
mediante el cual se obtienen datos se define el
trmino.
Un experimento es toda accin sobre la cual
se va a realizar una medicin u observacin;
es decir, cualquier proceso que genera un
resultado definido.

Probabilidad
Definiciones:
Experimento. Un experimento es el proceso
mediante
el
cual
se
obtiene
una
observacin. En el dominio de la estadstica los
experimentos en que el resultado puede
anticiparse son de poco o ningn inters. Los
experimentos de los que se ocupa la
estadstica
reciben
el
nombre
de
Experimentos Aleatorios.
Experimentos Aleatorios. Es aquel cuyos
resultados no pueden predecirse antes de
su realizacin y, por lo tanto, estn sujetos
al azar.
Espacio Muestral. El conjunto integrado por
todos los resultados posibles de un

Probabilidad
Ejemplos:

a)

b)

c)

d)

a) Se pregunta a un estudiante del curso introductorio de

estadstica su opinin sobre el profesor del curso. Se registra la
respuesta como favorable (F) o desfavorable (D). El espacio
muestral para el experimento es .
b) Se aplica un insecticida a tres larvas y al cabo de 24 Hr se
observa si estn muertas o vivas . Se tienen 8 resultados
posibles y el espacio muestral es .
c) Se entrevistaron a 10 agricultores preguntndoles si utilizan
Potasio en su fertilizacin. Se reporta el nmero de ellos que s
lo usan. Los 11 resultados posibles integran el espacio muestral
.
d) En una encuesta se pregunta a personas mayores de 30
aos si creen en la existencia de duende con pie de atleta. El
experimento termina con la primera persona que da una
respuesta afirmativa. Se registra el nmero de individuos
entrevistados. En este caso cualquier entero positivo es un
posible resultado. Por lo tanto .

Probabilidad
e)
Se
toma un litro de leche y se determina en el laboratorio el
porcentaje de agua por volumen. El espacio muestral es .
f) En una muestra de sangre de un individuo se determina el
nmero de glbulos rojos y blancos por centmetro cbico.
Puesto que se registra dos caractersticas, se denota por el
nmero de glbulos blancos y por el nmero de glbulos
rojos. .
g) Se mide el tiempo que un individuo tarda en recorrer 100
metros y su capacidad respiratoria. En este caso tambin se
tienen dos variables, el tiempo y capacidad respiratoria . .

Probabilidad
Es importante destacar que, dado un experimento,
pueden construir diversos espacios muestrales. En los
anteriores ejemplos presentan espacios muestrales de muy
diverso complejidad. En el primer caso slo pueden
clasificarse las opiniones en favorables o desfavorables. En
el segundo caso se tienen 8 o 4 elementos, segn se elija la
primera o segunda opcin. En el experimento de 10
agricultores se tienen 11 posibles resultados. En los 3
casos el nmero de elementos del espacio muestral
es finito, puesto que el total resultante de contar los
elementos es igual a un nmero entero no negativo.
Por lo tanto, se llaman Espacios Muestrales Finitos. En
caso d) se complica un poco, dado que el nmero de
resultados no es finito. Sin embargo, los resultados pueden
ordenarse en sucesin (0, 1, 2, 3,). En este caso se dice
que el Espacio Muestral es Infinito Innumerable
(denumerable). Estas cuatro situaciones son ejemplos

Probabilidad
Definiciones:
Espacio Muestral Discreto. Espacio muestral
integrado por un nmero finito o infinito
incontable (denumerable) de elementos es un
espacio muestral discreto.

Espacio Muestral Continuo. Si un espacio

muestral contiene a todos los elementos en uno
o varios segmentos de la lnea real, se le llama
espacio muestral continuo. Los casos f) y g) tienen
como nico propsito generalizar los conceptos
anteriores a situaciones donde se desea medir dos
caractersticas simultneamente. En f) se ilustra el
concepto de un espacio muestral bidimensional
discreto y en g) un espacio bidimensional continuo.

Probabilidad
Es importante mencionar que si un espacio muestral es
discreto,
pueden
tenerse
tantos
eventos
como
resultados posibles tenga el experimento. En caso de
espacios muestrales continuos es imposible.
La estadstica inductiva tiene entre sus objetivos cuantificar la
incertidumbre que caracteriza a todo proceso de razonamiento
en que se avanza de lo particular a lo general. Esta
cuantificacin se realiza mediante la aplicacin de
principios.
La
formulacin
axiomtica
de
la
teora
de
probabilidades requiere niveles de abstraccin y
competencia matemticas mayores que los que cabe
suponer en un estudiante de un curso introductorio de
estadstica. Sin embargo, en el lenguaje cotidiano, el
concepto de probabilidad est indisolublemente ligado
al de frecuencia relativa.

Probabilidad

Ejemplos:
1) Suponga que un evento E puede ocurrir en h de n
maneras igualmente posibles. Entonces, la probabilidad
que ocurra el evento (xito) se denota como:

La probabilidad que no ocurra el evento (fracaso) se

denota como:

Por lo tanto, o bien . El suceso No E suele denotarse o

bien .

Probabilidad
Cuando
2)
se lanza un dado, ste puede caer de seis

maneras distintas

Un evento que caiga un 3 o un 4 es:

Y la probabilidad de es . La probabilidad de no
obtenerse un 3 o un 4 (Probabilidad de obtener 1, 2,
5 o 6) es

Probabilidad
Asigna
3)
probabilidades basado en el supuesto que

todos los resultados son igualmente probables. Si un

experimento tiene k posibles resultados, este
mtodo asignar una probabilidad de a cada uno de
ellos.

4) Lanzar dos monedas al aire. Espacio muestral .

En este caso cada punto muestral tiene la
probabilidad de ocurrir. Entonces, la probabilidad
de ocurrencia de un evento A se estima . Cul
es la probabilidad que salga 1 cara? Entonces, las
posibles combinaciones son : .

Probabilidad
5) Se dice que es poco probable enriquecerse jugando a
la ruleta contra un caso porque los casos en que esto
ocurre son poco frecuentes.
6) Imagnese un juego entre dos personas a las que se
identifican con letras B y C. Cada una de estas personas
elige un nombre, ambos se apuestan en una esquina de
la ciudad preguntando su nombre a cada transente que
acierte a pasar por all. El juego termina con el primer
individuo entrevistado cuyo primer nombre coincida con
uno de los nombres escogidos por los jugadores. Gana
aquel que haya elegido el nombre del ltimo
entrevistado. Si B elige el nombre Belarmino y C Juan, es
natural que se piense que C tiene mayores probabilidades
de ganar, puesto que el nombre Juan es ms comn
(frecuente) que el nombre Belarmino

Probabilidad

Obsrvese
que la probabilidad de un evento es
un nmero entre 0 y 1. Si el evento no puede
ocurrir, su probabilidad es 0. En cambio, si se
trata de un evento que tiene que ocurrir
(seguro que pase), su probabilidad es 1. Si es la
probabilidad que ocurra un evento, las posibilidades
u oportunidades a favor de su ocurrencia son p:q (p
a q). Las posibilidades en contra de que ocurra
q:p (q a p). Por lo tanto, las posibilidades en
contra que en un solo lanzamiento de un dado caiga
un 3 o un 4 son . La asociacin entre conceptos
de frecuencia relativa y probabilidad ser la
base de los principios probabilsticos.

Probabilidad
Mtodo de Frecuencia Relativa.
La definicin clsica de probabilidad tiene la
desventaja que la expresin igualmente posible es
vaga o, como sinnimo, igualmente probable. La
definicin es circular, pues est definiendo
probabilidad en trminos de probabilidad. En
consecuencia, se ha abogado por una Definicin
Estadstica de Probabilidad la probabilidad
estimada o probabilidad emprica de un evento
es la frecuencia relativa de ocurrencia del
evento cuando la cantidad de observaciones es
muy grande. La probabilidad misma es el
lmite de esta frecuencia relativa a medida que
la cantidad de observaciones aumenta de
manera indefinida.

Probabilidad

Ejemplos:
a) Si en 1000 lanzamientos de una moneda se
obtienen 529 caras, la frecuencia relativa con la que
se obtienen caras es . Si en otros 1000 lanzamientos
se obtienen 493 caras, la frecuencia relativa en los
2000 lanzamientos es . De acuerdo con la definicin
estadstica, cada vez se estara ms cerca de un
nmero que representa la probabilidad que caiga
cara en un lanzamiento de una sola moneda. Segn
los resultados presentados, este nmero sera 0.5 a
una cifra significativa. Para obtenerlas se requiere
ms observaciones.

Probabilidad
b) Se tiene informacin acerca de ingresos mensuales por
ventas de tortas selva negra en los ltimos 30 meses:
Ingresos (USD)
5,000
6,000
7,000
8,000
9,000
Total

Frecuencia
4
7
10
6
3
30

Las probabilidades en este caso se asignan mediante las

frecuencias relativas: Ingresos (USD)
Frecuencia
Probabilidad
5,000

6,000

7,000

10

8,000

9,000

Total

30

Un problema asociado con

relativas es su variabilidad.

el

1.000

uso

de

frecuencias

Probabilidad
c)
que se contina el experimento observando las
Suponga

frecuencias relativas de los dos nombres por B y C. El espacio

muestral incluye a todos los nombres posibles, pero para este
fin es suficiente considerar una particin del especio muestral
en tres eventos:
: Conjunto de individuos con primer nombre Belarmino.
: Conjunto de individuos con primer nombre es Juan.
: Conjunto de individuos con primer nombre diferente de
Belarmino y Juan.
Entonces:

Probabilidad
Suponga
que despus de 10 repeticiones del experimento se

encuentra que 3 entrevistados llevan como primer nombre
Juan, ninguno Belarmino y 7 otro nombre X. Las frecuencias
relativas de , y son 0.3, 0.0 y 0.7, respectivamente. Si se
contina con el experimento y calcula las frecuencias relativas
despus de 20 intentos, se obtendr casi seguramente valores
diferentes. No obstante, si el experimento se repite un nmero
muy grande de veces, se observa que las fluctuaciones en las
determinaciones sucesivas se vuelven cada vez ms pequeas.
A esta estabilizacin de frecuencias relativas, cuando el
nmero de repeticiones de un experimento es muy grande, se
le llama Regularidad Estadstica y es tpica de
experimentos aleatorios. Entonces, en un experimento
aleatorio no se puede predecir qu resultado ocurrir,
pero stos presentan una regularidad estadstica
consistente en la estabilizacin de frecuencias relativas
de eventos cuando el experimento se realiza un gran
nmero de veces.

Probabilidad
d) Se calcula la frecuencia relativa de la letra e en un texto
literario. Se tomaron grupos de 50 letras cada uno contando el
nmero de veces que aparece la letra e en cada grupo. El
libro usado para el experimento es Psicologa de los Cuentos
de Hadas. Los resultados se presentan usando una escala muy
fina en la siguiente figura. La estabilizacin de frecuencia
relativa ocurre paulatinamente: en las 1ras mil letras la
variacin mxima entre dos frecuencias relativas es de 0.0300,
entre mil y 2,000 letras la variacin mxima es de 0.0057,
entre 2,000 y 5,000 la variacin mxima es de 0.0023 y entre
5,000-10,000 letras es slo 0.0011. La estabilizacin parece
ocurrir alrededor del valor 0.127, que se aproxima bastante a
resultados obtenidos en estudios ms extensos.

Probabilidad

Probabilidad
Probabilidad Subjetiva.
Usualmente en la toma de decisiones en una empresa, la
asignacin de probabilidades se basa en la intuicin o
experiencia del decisor, sea gerente, funcionario o
especialista. La calidad, confiabilidad de una
asignacin de probabilidades en este contexto va a
depender del decisor. Una probabilidad as
asignada se denomina probabilidad subjetiva, pues
slo se sustenta en una apreciacin de un individuo
y no ha sido obtenido con base a ningn
experimento
ni
es
posible
demostrarlo
matemticamente.
Ejemplo:
Segn el ingeniero de petrleos, la probabilidad de
encontrar petrleo en cierta zona de la selva es = 0.8.

Probabilidad

Operaciones
con Eventos:
1) Complemento de un evento: El complemento
del evento A se define como el evento que incluye
a todos los puntos mustrales que no estn en
A. El complemento de A se denota por . La
probabilidad del complemento de un evento se
obtiene con .

2) Unin de dos eventos: La unin de eventos A y

B es el evento que contiene todos los puntos
mustrales que son A o B o de ambos. Esta
unin se denota por . La probabilidad de la unin
de dos eventos se obtiene con:

Probabilidad
Interseccin
3)
de dos eventos: La interseccin de los

eventos A y B es el conjunto de puntos mustrales

que estn en ambos A y B. La interseccin de eventos
Ay B se denota por .

Eventos Mutuamente Excluyentes. Dos o ms eventos

se dicen que son mutuamente excluyentes si es que no
tienen ningn punto muestral en comn o no pueden
ocurrir a la vez.
Ejemplos:
a) Sea un experimento tal que se realice el lanzamiento de
un dado y sean los eventos A (nmero par o ) y B (nmero
impar o ). Entonces, estos dos eventos no tienen ningn
punto muestral en comn . Por lo tanto, los eventos A y B
son mutuamente excluyentes.

Probabilidad
Probabilidad
Condicional. Eventos Independientes y

Dependientes.
La probabilidad que ocurra un evento dado que otro ya
ha sucedido se llama Probabilidad Condicional. La
probabilidad condicional de A dado B se denota por , mientras
que la probabilidad condicional se estima con .
Complementariamente, si
y
son dos eventos, la
probabilidad que ocurra dado que ha sucedido, se
denota . Esto se lee probabilidad condicional de dado
que ha ocurrido. Asimismo, si la ocurrencia o no de no
afecta la probabilidad de ocurrencia de , entonces , se
dice que y son eventos independientes, caso contrario
se dice que son eventos dependientes. Si se denota el
evento compuesto o tanto como ocurran. Entonces:

Probabilidad
En
particular:

para eventos independientes

Para tres eventos , y :

Es decir, la probabilidad que ocurra , y es igual a
probabilidad de * probabilidad condicional de dado que
ha ocurrido * probabilidad condicional de dado que y
han ocurrido.
En particular, para eventos independientes
En general, si , ,, son n eventos independientes que
tienen probabilidades , , ,, . Entonces, la probabilidad
que ocurra evento compuesto y y y es

Probabilidad

Ejemplos:
a) Sean y los eventos cae cara en el 5to lanzamiento y
cae cara en el 6to lanzamiento de una moneda,
respectivamente.
Entonces,
y
son
eventos
independientes y, por lo tanto, la probabilidad de cara
tanto en 5to como en 6to lanzamientos es (suponiendo
que sea una moneda legal o no cargada):

b) Si la probabilidad que A est vivo en 20 aos es 0.7 y

la probabilidad que B est vivo en 20 aos es 0.5.
Entonces, la probabilidad que ambos estn vivos en 20
aos es .

Probabilidad
Supngase
c)
que una caja contiene 3 pelotas blancas y 2

negras. Sea el evento la 1ra pelota que se saca es

negra y el evento la 2da pelota que se saca es blanca,
donde las pelotas no se vuelvan a colocar en la caja una
vez sacadas. Aqu y son eventos dependientes.

La probabilidad que la 1ra pelota que se extraiga sea

negra . La probabilidad que la 2da pelota que se extraiga
sea negra, dado que la 1ra fue del mismo color, es . Por lo
tanto, la probabilidad que las dos pelotas que se
extraigan sean negras es:

Probabilidad

Eventos
Mutuamente Excluyentes.
Se
dice que dos o ms eventos son
mutuamente excluyentes si la ocurrencia de
uno
cualquiera
de
ellos
excluye
la
ocurrencia de los otros. Entonces, si y son
eventos mutuamente excluyentes . Si denotan el
evento ocurre o o ambos, entonces:

En particular:
Si los eventos son mutuamente excluyentes, pues
no tienen resultados en comn.

Probabilidad
extensin se tiene que si son eventos mutuamente
Por
excluyentes que tienen probabilidades . Entonces, la
probabilidad que ocurran o o o o es .
Ejemplos:
Si es el evento de una baraja se extrae un as y es el
evento de una baraja se extrae un rey. Entonces, y .
Entonces, la probabilidad de en una sola extraccin se
obtenga un as o un rey es:

Probabilidad
es evento extraer un as y es evento extraer una
Si
espada de una baraja.
y
no son mutuamente
excluyentes, pues se puede extraer el as de espadas

El evento y , que consta de resultados en que se den

los dos eventos, es el as de espadas.

Probabilidad

Teorema
de Multiplicacin de Probabilidades.
La regla de multiplicacin provee una forma de calcular
la probabilidad de la interseccin de dos o ms eventos:

Ejemplos:
Suponga que un inversionista desea seleccionar de
manera aleatoria 3 de un total de 10 inversiones I1, I2,
I3, I4,, I10. Uno por uno y sin reemplazo. ?Cul es la
probabilidad que salga primero elegido la inversin I3,
en segundo lugar I4 y en tercer lugar I7?
Sol.: Se pide hallar

Probabilidad

Regla
de Bayes.
El concepto de probabilidad condicional da lugar a
ramificaciones muy discutidas en las inferencias
obtenidas usando el clculo de probabilidades.
Estas dificultades provienen de la aplicacin del
llamado Teorema de Bayes, que es una consecuencia
simple de la definicin de probabilidad condiciones, pues:

De donde:
Pero tambin:

Probabilidad
lo que:
Por

Tal que:

o
Ejemplos:
a) Una empresa petrolera planea perforar en una zona
donde no se tienen seguridad que exista petrleo. Los
tcnicos, segn su experiencia, creen que la probabilidad
que exista petrleo en la zona es 0.1. Se tiene la opcin
de hacer una prueba preliminar antes de tomar una
decisin. La prueba no es concluyente, puesto que hay
casos en que da resultados errneos. Si existe petrleo,
la prueba es positiva 90% de las veces, pero aun si no
existe petrleo es positiva el 20% de las veces. Entonces:

Probabilidad
Existe
A:
petrleo. Tal que

: No existe petrleo.
: La prueba es positiva.
La probabilidad que interesa es que exista petrleo
dado que la prueba resulta positiva:

La nica expresin desconocida es , estimada por:

Grficamente sera:

Probabilidad

Tal que:
Conclusion: Aunque la prueba resulte positiva, la probabilidad
que exista petrleo es muy baja (, a pesar que es mayor que la
sostenida a priori (de lo anterior) por los tcnicos de la
empresa.

Probabilidad
Suponga
b)
que los tcnicos de otra empresa tienen una

evaluacin distinta de . Tal que:

Conclusion: De acuerdo con la opinin de estos tcnicos

se concluye que, si la prueba resulta positiva, la
probabilidad de encontrar petrleo es alta y quizs la
decisin sera diferente. De cualquier forma los
resultados anteriores (aceptado un valor para
probabilidades a priori) son inobjetables desde el
punto de vista matemtico.

Probabilidad

Teorema
de Bayes.
Thomas Bayes (Londres, Inglaterra, 1702 - Tunbridge
Wells, 1761) fue un matemtico britnico y ministro
presbiteriano. Su obra ms conocida es el Teorema
de Bayes que establece que sean , eventos que
forman una particin (recubrimiento en el que los
subconjuntos que pertenecen a una misma familia son
disjuntos, su interseccin, de a pares, es vaca. El
recubrimiento, por su parte, hace referencia a una
coleccin de subconjuntos A de un conjunto X: es decir,
la coleccin de dichos subconjuntos es un recubrimiento
de X) de un espacio muestral M. Sea B un evento
en M. Suponga que son probabilidades conocidas.
Entonces:

Probabilidad

Donde:
.
.
.
(en un evento aleatorio es la probabilidad condicional
que es asignada despus de que la evidencia es
tomada en cuenta)

Probabilidad
b) El Profesor X tiene tres secretaras con diferentes
niveles de competencia (S1, S2 y S3). La secretaria S1 ha
escrito el 20% de un trabajo, la S2 el 40% y la S3 el 40%.
Existe un error ortogrfico que irrita en especial al
profesor y, segn l, estima que S1 lo hace el 90% de las
veces que escribe esa palabra, S2 lo comete 40% y S3
nunca. Si el profesor X tiene en cuenta ese error en una
pgina del trabajo, Cul es la probabilidad que esa
pgina la haya escrito S1, la S2 y S3?

Probabilidad

Ejercicios
(Tarea 22):
1) Liste los elementos de los siguientes conjuntos:

2)Sean A, B y C subconjuntos de un conjunto universal .

Si .

Probabilidad

Probabilidad
3) Construya el espacio muestral para cada uno de los
siguientes experimentos:
a) Se pregunta a una persona que si la primera letra de su
apellido es vocal o consonante.
b) Se pregunta a cuatro personas si el da del mes en que
nacieron es nmero non o par.
c)Se examinaron 8 plantas y se registr el nmero de ellas
atacadas por cierta enfermedad.
d) Se escucha una estacin de radio y se cuenta el nmero
de segundos transcurridos hasta que se escucha la palabra
sincategoremtico.
e) Se determina el porcentaje de humedad relativa en un
invernadero.
f) Se pregunta a una pareja el nmero de aos completos
de escuela primaria cursados por cada uno.
g) Se determina el peso especfico y pureza de un metal.

Probabilidad
4) Suponga (es falso) que un individuo paranoico no
puede ser esquizofrnico. Si la probabilidad que alguien
sea paranoico es 0.01 y la probabilidad que sea
esquizofrnico es 0.02, Cul es la probabilidad que sea
esquizofrnico o paranoico?
5) La probabilidad que un habitante de la Ciudad de Quito
sea mayor de 40 aos o tenga calvicie es 0.4. Si la
probabilidad que sea mayor de 40 aos es 0.2 y la
probabilidad que tenga calvicie de 0.3, Cul es la
probabilidad que sea mayor de 40 aos y sea calvo?

Probabilidad
6) La probabilidad que un mono, tecleando al azar en una
mquina de escribir, reproduzca un soneto de Sor Juana
Ins de la Cruz es 0.001. La probabilidad de que un
segundo mono lo reproduzca es 0.002. Cul tendra que
ser la probabilidad que al menos uno de ellos lo
reproduzca para que el trabajo de los dos monos fuera
independiente?
7) Con los jugadores de un club de ftbol se forman dos
equipos para jugar un partido de entrenamiento; entre los
dos equipos se renen 8 defensas, 6 medio campistas, 4
delanteros y 2 porteros. El entrenador sabe que en estos
partidos, la probabilidad que se lesione un jugador es
0.20 si es delantero, 0.15 si es medio campista, 0.1 si es
defensa y 0.05 si es portero. Calcule:

Probabilidad
a) La probabilidad que se lesione uno cualquiera de los
jugadores en ese partido.
b) Si se sabe que un jugador se ha lesionado, de qu
posicin es ms probable sea?
8) Una fbrica tiene 3 mquinas independientes que
producen cierto tipo de pieza. La mquina 1 produce 10%
de las piezas con un 2% de piezas defectuosas. La
mquina 2 produce 40% de piezas con 3% defectuosas y
la 3 produce 50% con 4% defectuosas. Si se selecciona al
azar una de estas piezas, estime:
a) Probabilidad que sea defectuosa.
b) Si la pieza resulta no defectuosa, de qu mquina es
ms probable que venga?

Probabilidad
9) Si la probabilidad de padecer cierta enfermedad es 1%
y existe un test, con 90% de confiabilidad, para saber si
se tiene o no dicha enfermedad, Cul es la probabilidad
de tener la enfermedad si el test predice que se tiene?
10) Una compaa est analizando las posibilidades que
tiene que un potencial campo produzca petrleo. La
evaluacin geolgica indica una posibilidad de 35% que el
campo sea productivo. Adems, si hay petrleo en un
campo potencial hay posibilidad de 90% que un pozo
perforado en l sea productivo. Suponga que se perfora
un pozo en ese campo y resulta que est seco, Cul es la
probabilidad que el campo produzca petrleo?

UNIVERSIDAD ESTATAL DE BOLVAR

Ingeniera forestal

PR

ES
L
IPA
C
IN

S
O
P
TI

DE

MU
ES
TR
EO

Prof. Moiss Arregun S.

Ecuador. Agosto 2015

Muestreo (Arana, 2003):

Es una coleccin de objetos definidos y distinguibles cuya nica
propiedad indispensable es que sean identificados como
pertenecientes a dicho conjunto, a cada uno de los objetos que lo
constituyen se le llama elemento. Cabe mencionar que en la mayora
de los casos que involucran las tcnicas de muestreo los
objetos suelen ser de la misma naturaleza, o al menos muy
semejante. Las tcnicas de muestreo se aplican directamente a
conjuntos de objetos con valores medidos en escalas
continuas o discretas.
Los mtodos de muestreo e inventarios con validez estadstica se vuelto
importantes para generar estimadas confiables y cientficamente
defendibles. Los inventarios son la base para la planeacin de proyectos,
manejo o administracin y toma de decisiones estratgicas, de manera
que se generen bases de datos confiables. Sin embargo, un censo o conteo
completo de recursos sera demasiado costoso y tardado, el muestreo se
hace imprescindible. Adems, no se cuenta con la totalidad de la
informacin existente sino solamente con una fraccin de ella (muestra).

Es decir, la informacin sobre cantidades y calidades de un

recurso para tomar una decisin pueden ser obtenidas
mediante
una
evaluacin
exhaustiva
cuantificando
o
calificando todo el recurso. Sin embargo, de acuerdo con Arana
(2003), Carrillo (2008) y Ramrez et. al. (2010), en la mayora de las
circunstancias no es posible o conveniente hacer la evaluacin
exhaustiva, tal que slo se hace en una parte del recurso
(muestra), esperando que las determinaciones hechas tambin
pertenezcan a la totalidad.
La cantidad total de un recurso se denomina poblacin y una
parte de ese total constituye una muestra. As, las mediciones
se hacen en la muestra y se espera que los valores obtenidos
correspondan a la poblacin. Los valores de inters de la
poblacin se denominarn Parmetros y sus correspondientes
en la muestra sern Estimadores. En consecuencia, es necesario
que estudiantes conozcan este tipo de tcnicas que les
ayudarn a medir o cuantificar ciertos fenmenos y justificar
tcnicamente stas aseveraciones en su especialidad (Forestal,
Agroindustrial, Agronoma, Veterinaria, Zootcnica, Fitotecnia,
Medicina, Parasitologa Agrcola, Economa, Finanzas, Sociologa,
Agroecologa, Administracin, etctera).

Razones para preferir el Muestreo:

a) Las tcnicas que forman la estructura de las metodologas propias de
un inventario forestal, temporal o convencional no captan los cambios en
la dinmica del bosque originados por los volmenes maderables que se
extraen o eliminan por causas naturales, accin del hombre y volmenes
de la regeneracin que se integran a la masa forestal.
b) La enumeracin o medicin completa puede ser imposible. Ejemplos:
Determinar la cantidad exacta de madera en un bosque podra costar varias
veces su valor.
c) Con frecuencia el muestreo proporciona la informacin esencial a un
costo inferior al del conteo completo. En especial, para poblaciones grandes,
los datos colectados por muestreo son ms confiables.
d) La inferencia estadstica es muy importante y su entendimiento
apropiado es crucial para discutir el papel del muestreo en el proceso de
las inferencias. La inferencia cientfica se convierte en inferencia estadstica
cuando la conexin entre el desconocido estado de la naturaleza y la
informacin observada se expresa en trminos probabilsticos

Razones para preferir el Muestreo:

e) La estadstica proporciona mtodos sobre como hacer tales anlisis.
Los mtodos estadsticos se usan para predecir y explicar fenmenos, lo
que con frecuencia es una tarea desafiante. Cramer (1946) citado por
Schreuder, Ernest y Ramrez (2006) resume el papel de la inferencia
estadstica en tres funciones:
1) Descripcin. Es la reduccin de los conjuntos de datos en un grupo de
nmeros tan pequeo como sea posible, como la media, la varianza, la
asimetra de una distribucin, etc. Esto nos permite describir una poblacin tan
concisa y brevemente como sea posible y puede permitir la comparacin.
2) Anlisis. Es el resumen de lo datos para un propsito u objetivo particular.
Por ejemplo: cules son las estimadas de ciertas caractersticas de la
poblacin?, cierta muestra proviene de una poblacin dada?, dadas dos
muestras, provienen de la misma poblacin o no? La estadstica proporciona
mtodos
sobre
como
hacer
tales
anlisis.
3) Prediccin. Los mtodos estadsticos se usan para predecir y explicar
fenmenos.

Estadstica.
Existen muchas definiciones en la literatura relacionada, pero una
definicin es Ciencia de la recopilacin, clasificacin,
presentacin, anlisis, interpretacin y explicacin de datos
(modificado de Johnson, 1996). Sirve para:
Describir a un conjunto de objetos mediante el anlisis de
algunos de sus elementos.
Tomar decisiones sobre opciones con informacin parcial
contenida en un conjunto de datos.
Predecir el comportamiento de una medida o caracterstica en
condiciones observadas.
Su finalidad es realizar inferencias sobre la poblacin (estimacin
y pruebas de hiptesis)

Anlis Terico de Estimadores:

Algunos parmetros y estimadores incluyen en su definicin la suma
de varios valores o datos. Si se simboliza por a cualquiera de estos
datos, como el i-simo de ellos y se tienen datos, al suma de stos
datos se simboliza empleando operador suma
o
Ejemplos:

Valor Esperado o Esperanza Matemtica :

Se llama valor esperado o esperanza matemtica es la media de
datos de una poblacin, que es simplemente el promedio
ponderado de posibles valores cuando se usan las probabilidades
como facto de ponderacin.
Variables Continuas (variable aleatoria que puede tomar
cualquier valor en un intervalo, p. ej. Cantidad de azcar en una
naranja, estatura de una persona, etc.):
Donde a y b son lmites superior e inferior del rango de la variable
aleatoria Y. es la funcin de densidad de probabilidad.
Variable Discreta (si se puede enumerar es discreta, p. ej.
Nmero de casas rurales, nmero de personas en espera):
Donde es la probabilidad que ocurra el valor

Ejemplo: Una empresa necesita saber la ganancia promedio que

obtendr si vende un nuevo tipo de computadora. Si la probabilidad
que una persona adquiera el nuevo tipo de computadora a un costo de
$18,000 es 0.4 y la probabilidad que adquiera el modelo ya existente
a un costo de $10,000 es 0.6 Cul sera la ganancia esperada?

Parmetros: Sobre el conjunto poblacin se pueden definir

funciones muy diversas como el valor ms pequeo, el ms
grande, el que ocupa la posicin central una vez que han sido
ordenados ascendente o descendentemente, la suma de todos
ellos despus de elevarlos al cuadrado, el valor que se repite el
mayor nmero de veces y muchos otros ms, todas esas
funciones son parmetros. Los parmetros suelen ser
representados por letras griegas, como , , , en tanto que los
estimadores generalmente se simbolizan con otros caracteres
especficos.

Estimadores: Las funciones que se pueden proponer como

parmetros, tambin se pueden definir para el conjunto muestra
y aun otras funciones adicionales, entonces reciben el nombre
de estimadores, pues a cada parmetro pueden corresponder
uno o ms estimadores. Tambin existe un nmero infinito de
estimadores, pero solo algunos tienen inters prctico.
Conclusin: Parmetro es una funcin que describe el total o
una parte de la poblacin, usualmente en forma numrica y
estimador es una funcin de datos disponibles mediante la
muestra que se usa para estimar los parmetros.

Muestro Simple Aleatorio

(MSA)

Muestreo Simple Aleatorio (MSA), Muestreo Simple al Azar (MSA),

Muestreo Completamente Aleatorio (MCA) o Muestreo Irrestricto al Azar
(DIA). Se denomina muestreo aleatorio simple o completamente al azar al
diseo que, segn Arana (2013), habiendo decidido que el tamao de la
muestra ser de n unidades de muestreo (o simplemente de tamao n), le
asigna la misma probabilidad de ser la elegida a cada una de todas las
muestras posibles de ese tamao. Es decir cualquiera de las muestras
distintas que podemos obtener de la poblacin tendr la misma
probabilidad de ser elegida. Adems, sta es la propuesta ms simple de
muestreo probabilstico. Todas las unidades muestrales tienen una
probabilidad de seleccin de n/N y cada conjunto de dos unidades tiene la
probabilidad conjunta de seleccin de . Aunque esto puede parecer difcil
implementar porque hay muestras posibles si el muestreo es sin
reemplazo (todas las n unidades en la muestra son diferentes).

El MSA no es difcil de implementar si est disponible una lista de las unidades en la

poblacin (Schreuder, Ernst y Ramrez, 2006). Lo nico que debemos asegurar es que la
seleccin de una unidad no est influenciada por las otras unidades, sea o no que
estn incluidas en la muestra. Por ejemplo, se puede asignar a cada unidad un nmero
distinto, desde 1 hasta N y elegir n nmeros aleatorios distintos entre 1 y N. Tambin tiene
la ventaja de que al tener todas las unidades la misma probabilidad de seleccin, las
tcnicas de anlisis aplicables son fciles de aplicar y la estimacin es inmediata y
entendible, esto es, al estimar la media o el total Y de una poblacin. El estimador
insesgado del total es: . Con un tamao de muestra n, e yi el valor de la variable de inters
para la unidad de muestreo i, la varianza del estimador del total es (Schreuder, Ernst y
Ramrez, 2006):

Un estimador insesgado de la varianza del estimador es (Schreuder, Ernst y Ramrez, 2006):

Modalidades de MSA:
Muestreo Aleatorio Simple con Reemplazo. En el muestreo con reemplazo
si el tamao de la muestra es n y el de la poblacin es N, existen Nn
muestras diferentes y el procedimiento de seleccin consiste en seleccionar
una unidad que tiene la posibilidad de ser incluida nuevamente en la
muestra. Esta opcin genera frmulas de estimacin ms fciles, pero
en la prctica tiene poco sentido medir ms de una ocasin la misma
unidad muestral, salvo en diseos especficos u otros ms elaborados
en los que las complicaciones tericas sugieren simplificar los
supuestos en que se sustenta su anlisis.
Muestreo Aleatorio Simple sin Reemplazo.
En el muestreo sin reemplazo se pueden construir tantas muestras
diferentes como combinaciones se pueden hacer de N elementos de
tamao n (N Cn ) que se calcula:

Obtencin de una Muestra Aleatoria Simple. Para hacer la seleccin de las

unidades muestrales que constituirn la muestra se parte del marco
muestral. A cada unidad se le asigna una etiqueta que la identifique, por
ejemplo nmeros consecutivos y la seleccin se puede llevar a cabo
usando una tabla de nmeros aleatorios, la mayora de textos sobre
muestreo tienen tablas de nmeros aleatorios regularmente de 10 000
dgitos. Por ejemplo: si la poblacin tiene entre 10 y 100 unidades se
requieren dos dgitos para representarla (00 hasta 99), si son entre 100 y
1000 unidades se requiere tres dgitos (000 hasta 999) y as
sucesivamente. Entrando sin ningn orden a la tabla se eligen los
nmeros aleatorios ubicados consecutivamente, tantos como sean
necesarios para representar el total de nmeros muestrales. Si el nmero
elegido es mayor que el nmero total de unidades de marco muestral no
se toma en cuenta, si es igual o menor entonces la unidad con esa
etiqueta se incluir en la muestra. El proceso sigue anlogamente con el
siguiente nmero ubicado en cualquier direccin de la tabla hasta completar el
nmero de unidades elegidas que deben constituir la muestra n.

Estimacin de la Media y del Total Poblacional.

Al evaluar variables cuantitativas, los parmetros que con mayor frecuencia
interesa estimar son media () o el total () de la variable Y para toda la
poblacin. Estos parmetros tienen las siguientes definiciones:
Media
de
Total de la Poblacin

la

Poblacin

Naturalmente al no tener acceso a todas las N muestrales, de donde proviene

cada , se hace necesario definir estimadores sobre los datos que proporcionan
las mediciones que se hacen en las unidades de muestreo incluidas en la
muestra. Las expresiones siguientes se denominan estimadores y, una vez
que se ejecutan usando los datos de una muestra especfica, los valores
que se obtienen se denominan estimadas. Estos estimadores de y son:
Estimador de la Media Poblacional ():

Estimacin del Total Poblacional.

Estimador del Total Poblacional ():.
total de la poblacin.

es un estimador insesgado del

Estimacin de la Varianza de Poblacin.

Al igual que y , tiene su estimador que se obtiene con la muestra ():

Estimador de la Varianza de la Media . Tal que . Al conocer los parmetros
incluidos en estas expresiones se recurre a usar sus estimadores . .

Estimador de la Varianza del Total . Tal que . Sin embargo, al no conocer los
parmetros incluidos en estas expresiones se recurre a usar sus estimadores .
Entonces .
Estimacin del Intervalo de Confianza de la Media
Poblacin

y del total

de la

Estimador de la Varianza del Total . Tal que . Sin embargo, al no conocer los
parmetros incluidos en estas expresiones se recurre a usar sus estimadores .
Entonces .
Estimacin del Intervalo de Confianza de la Media
Poblacin

y del total

de la

Intervalo de Confianza para Estimacin del Total Poblacional

Donde: N es nmero de unidades muestrales de la poblacin;

varianza estimada de la poblacin de inters y es tamao del
error de estimacin de la media que se acepta. En estricto sentido,
para estimar n se requiere un valor de S2 que se puede lograr tomando una
muestra previa y verificar el valor correcto de n (circularidad).

Los estimadores tienen propiedades estadsticas, en cambio las estimadas

son realizaciones de los estimadores, los estimadores son variables
aleatorias que tienen propiedades estadsticas derivadas de la probabilidad.
Enseguida se muestran dos propiedades deseables de estimadores de media
y del total de la poblacin:
Insesgamiento: Un estimador insesgado es aquel que en un nmero muy
grande de estimaciones, tiene un promedio que difiere muy poco del valor del
parmetro ().
Consistencia: Esta propiedad indica que cuando el tamao de la muestra
es igual al tamao de la poblacin , el estimador es igual al parmetro.
La demostracin resulta casi evidente por las definiciones de , , y . Esta
propiedad indica que cuando . Interpretacin: es un estimador consistente
de la media poblacional y lo es del total poblacional .

Muestro Aleatorio Estratificado

(MAE)

Muestreo Aleatorio Estratificado (MAE). Este plan de muestreo

trata de hacer an ms precisas las estimaciones que podemos
obtener con un diseo bsico de muestreo como el aleatorio simple.
Definicin: Es el que divide la poblacin en N individuos en E
subpoblaciones o estratos con respecto a criterios que puedan
ser importantes en la investigacin. Los estratos contienen
unidades tal que:
En cada uno de estos estratos o subpoblaciones se hace un muestreo
aleatorio simple con muestras de tamao , por lo que su tamao es:

Muestra aleatoria estratificada. Considera categoras tpicas

diferentes entre s (estratos) que poseen gran homogeneidad
entre unidades muestrales respecto a alguna caracterstica.
Por ejemplo, segn la profesin, el municipio de residencia, el
gnero, el estado civil, etc. Lo que se pretende con este tipo de
muestreo es asegurarse de que todos los estratos de inters
estarn representados adecuadamente en la muestra y que
estos no presentarn traslapes. Cada estrato funciona
independientemente, pudiendo aplicarse dentro de ellos un
muestreo aleatorio simple, para elegir los elementos
concretos que formarn parte de la muestra.
Caractersticas de MAE (Arana, 2013):
Se usa si la poblacin es muy heterognea y las
consideraciones de costo limitan el tamao muestral. En MSA
sera imposible estimaciones suficientemente precisas y sera
demasiado costoso. La poblacin se divide en subpoblaciones
llamadas estratos de acuerdo a alguna semejanza a fin de
reducir considerablemente la variacin entre las mediciones
en cada estrato, donde los elementos en cada uno de stos no se
traslapan y en su conjunto constituyen a toda la poblacin. Una vez
dividida la poblacin se realiza la seleccin de una muestra
aleatoria irrestricta para cada estrato, lo que nos permite la

Cundo se usa el MAE:

Si se desea cierta precisin en algn estrato y cada uno se
considera una poblacin.
Se obtiene un lmite para el error de estimacin ms
pequeo, esto es cierto cuando las mediciones en estrado son
homogneas.
Reducir costo/observacin de encuesta mediante
estratificacin de elementos de poblacin en grupos
convenientes y fcilmente diferenciables.
Estratificacin puede tener mayor precisin en estimaciones
de caractersticas de total poblacional.
Ventajas del Muestreo Aleatorio Estratificado (MAE) respecto a
Muestreo Aleatorio Simple (MAS):
Generalmente, el estimador de presenta menor varianza.
El costo por muestrear y analizar es menor, pues en vez de
tomar observaciones sobre toda la poblacin, slo toma
observaciones sobre estrato, que son ms pequeos.
Al final del anlisis, se tiene estimaciones sobre total
poblacional y estratos individuales.

Cmo seleccionar una muestra? Va ser diferente por estrato, pues

cada uno tiene caractersticas y costos de medicin diferentes, por lo
que el nmero de unidades ser diferente. La muestra debe ser mayor
si tiene mayor nmero de unidades, es muy variable internamente en
caractersticas de sus elementos o es ms barato en el estrato. Por el
contrario, va ser menor el tamao muestral si su costo es elevado.
Antes de seleccionar una muestra considere el tamao del error de estimacin
y de acuerdo a esto seleccionar el tamao muestral.
Cmo delimitar los estratos? En algunos casos los estratos estn ya
implcitos pues se conoce el comportamiento con base antiguos
registros, o a caractersticas fenotpicas; tambin podra ser con base
en la experiencia o simplemente a la naturaleza de los resultados que
deseamos obtener.
Con base en qu se delimitar los estratos? Una primera
aproximacin sera en el caso cuantitativo, el construirlos dado un
inters particular, pues muchas veces al momento del diseo de la
evaluacin, se conoce los rangos que se gustara analizar para obtener
las estimaciones. Pero tambin se puede dar el caso en el que se tiene
el rango de salida de los datos y algunas frecuencias en categoras
generales de variable de inters o de alguna variable altamente
correlacionada (Mtodo Acumulativo de Raz Cuadrada de Frecuencia).

Notacin de escritura en Muestreo Aleatorio Estratificado

(MAE):
E nmero de estratos en poblacin.
N total de unidades muestrales en poblacin.
Nh nmero total de unidades en estrato h.
nh nmero de unidades muestrales en estrato h.
yhi valor obtenido de i-sima unidad en estrato h.
ponderacin de estrato (tamao relativo del estrato)
fraccin de muestreo para estrato h.
valores medios por cada estrato
media de estrato h.
varianza de estrato h
Valor T-Sudent con No. efectivo de gl y
Tal que:

Estimacin de Media Poblacional (): . Cada estrato

independiente y las con h=1, 2, 3, E son independientes.
varianza es la suma de varianzas de medias de cada estrato y
insesgado.

Estimacin de varianza de :

es
La
es

Enseguida se muestra el mtodo aproximado de asignacin de

nmero efectivo de grados de libertad a (Satterthwaite,1946):

Intervalo de confianza para estimador:

Estimador del Total Poblacional:
Varianza Estimada del Estimador del Total Poblacional:
Intervalo de confianza:

Tamao de Muestra Aproximado que se requiere para estimar

y:
Donde:

Muestro por Conglomerados en Una Etapa

(MCUE)

Muestreo por Conglomerados en Una Etapa (MCUE).

Caractersticas de MCUE:
Muestreo por conglomerados es ampliamente usado cuando el
costo de muestrear unidades primarias es despreciable en
relacin con el censo de unidades secundarias.
La seleccin primaria de elementos que estarn en la muestra
sigue el mismo procedimiento que en el muestreo simple
aleatorio, por lo que los estimadores de la media y el total se
obtienen de manera similar.
Los datos que nos proporciona el muestreo por conglomerados
nos permiten obtener estimaciones a diferentes niveles de la
poblacin.
Muestra por Conglomerados. Se le denomina as a la muestra
obtenida aleatoriamente (de la misma forma que en el muestreo simple
aleatorio)
y
a
las
unidades
obtenidas
les
llamaremos
conglomerados, los cuales son grupos o colecciones de elementos
sobre los que se har la medicin o revisin de la caracterstica de
inters (en un bosque se podra elegir sitios de cierta superficie
como conglomerados). Adems, si desea hacer una seleccin aleatoria
de elementos se debe contar con el marco de muestreo, para despus
hacer el sorteo, pero representa un costo que se incrementa al tomar
mediciones que se encuentran separadas entre s por una gran

Comparacin Muestreo por Conglomerados vs Estratificado

Muestreo Estratificado

Muestreo por Conglomerados

1. Generalmente nos da ms precisin en relacin 1. Generalmente nos da menos precisin en relacin

con muestreo simple aleatorio.
con muestreo simple aleatorio.

2. Para una mayor precisin los estratos deben 2. Para una mayor precisin los conglomerados deben
contener elementos que sean lo ms homogneo contener elementos que sean lo ms heterogneo
posible entre ellos.
posible entre ellos.

3. Para una mayor precisin la diferencia entre 3. Para una mayor precisin los conglomerados deben
estratos debe ser considerable.
ser muy similares.

4. La varianza de la estimacin de la media depende de

4. La varianza de la estimacin de la media depende
la variabilidad que existe entre las medias de los
de la variabilidad de los valores dentro del estrato.
conglomerados.

Notacin:
UNIDADES PRIMARIAS:
Nmero de Conglomerados en la Poblacin
Nmero de Conglomerados seleccionados de una muestra simple
aleatoria
Total en unidad Primaria o Conglomerado
Total de la poblacin
UNIDADES SECUNDARIAS:
Nmero de Elementos en Conglomerado
Nmero de elementos en la poblacin
Tamao Promedio del Conglomerado en la Muestra
Total del Conglomerado .
j-sima observacin en i-simo Conglomerado
Media de Poblacin en Unidad Primaria

Elementos a estimar en MCUE:

Estimador de Media Poblacional:
Varianza Estimada de :
Intervalo de Confianza :
Estimador del Total Poblacional.
Varianza Estimada de :

Elementos a estimar en MCUE:

Varianza del Estimador del Total Poblacional:

Intervalo de Confianza para :

Muestro por Conglomerados en Dos Etapas

(MCDE)

Caractersticas de MCDE:
El muestreo por conglomerados en dos etapas es en esencia muy
parecido al de una etapa y tambin busca facilitar el manejo de los
datos para reducir el costo de operacin.

Las organizaciones privadas o de gobierno desean resultados
confiables. Al disear una encuesta por conglomerados se debe resolver:
a) Precisin global necesaria, b) Nmero de unidades primarias a
seleccionar, c) Nmero de unidades secundarias a seleccionar por
cada unidad primaria y d) Los valores a buscar son y el de todas . La
mejor seleccin de estos valores depende de las fuentes de
variacin (dentro de los conglomerados y la que existente entre ellos).
Proporciona mas ideas que podrn ayudar a decidir el diseo mas
adecuado para medir el fenmeno en cuestin.
La diferencia entre el muestreo por conglomerados de una y dos
etapas, radica en la forma de seleccionar las unidades secundarias.
Presenta dos principales ventajas: a) No se tiene que hacer el proceso
de aleatorizacin a cada elemento de la poblacin, lo cual puede
ahorrarnos una tarea muy complicada y b) Si se trata de unidades que se
encuentran geogrficamente separadas puede ahorrar costos en
transportacin para la toma de la muestra.

 Este muestreo es muy til cuando se trata de poblaciones con

muchos elementos, como municipios, unidades habitacionales;
en la industria puede resultar muy til cuando necesitamos
muestrear cientos de unidades que vienen empacadas en cajas
para validar su calidad o cuando se trata de productos que
tienen varios componentes.
El muestreo por conglomerados en dos etapas es usado cuando
resulta menos costoso hacer un censo de unidades secundarias
contiguas que hacer un muestro aleatorio sobre toda la
poblacin.

Este muestreo presenta la ventaja de hacer ms econmico el

costo de muestrear, pues en lugar de hacer un censo en cada
unidad primaria o conglomerado, se toma una muestra
aleatoria. La seleccin de unidades primarias se hace como en
el muestreo aleatorio simple por lo que la media y el total se
obtienen de la misma manera que en el muestreo en una etapa.
pSi las medias entre conglomerados varan mucho unas de
otras y sus mediciones son homogneas, entonces se
selecciona muchos conglomerados de pocos elementos, pero si
las mediciones varan de manera considerable entre ellas y las

Notacin para Muestreo por Conglomerados en Dos Etapas

(MCDE):
UNIDADES PRIMARIAS:
Nmero de Conglomerados o Unidades Primarias en la Poblacin
Nmero de Conglomerados seleccionados de una muestra simple
aleatoria

UNIDADES SECUNDARIAS:
Nmero de unidades secundarias en Conglomerado
Nmero de unidades secundarias seleccionadas en una muestra
aleatoria del conglomerado
Nmero de unidades secundarias en la poblacin
Tamao del Conglomerado Promedio en la Poblacin
Media muestral para el i-simo conglomerado
j-sima unidad secundaria en i-simo Conglomerado

Elementos a estimar en MCDE:

Total:
Estimador de Media Poblacional:
Estimador de Varianza de :
Donde:
Intervalo de Confianza para :
Estimador del Total Poblacional:

Varianza Estimada de :
Intervalo de Confianza para :

Es importante considerar:
= Varianza entre las medias de conglomerados
= Varianza entre elementos dentro de conglomerados
Es costo total por muestrear. Donde: es costo de muestrear cada
unidad primaria y, por ende, es costo de muestrar cada unidad
secundaria. Bajo estos supuestos, el valor que minimiza la varianza
con un costo fijo est dado por la ecuacin:

Tamao de aproximado requerido para estimar .

Donde: y
Para conocer el nmero de unidades primarias que
minimizarn la varianza, se usa la siguiente expresin:
Tamao de aproximado requerido para estimar :
Donde

Ejemplo: Un centro de investigacin desea saber la cantidad de maz

que produce una planta de una nueva variedad con la que estn
experimentando. Cuentan con 40 campos donde plantaron la
nueva variedad en una melga (surcos) de experimentacin que
mide , tal que las semillas se plantaron a una distancia de una
de otra. Han decido que aplicarn un muestreo por
conglomerados en dos etapas. En este caso se seleccionaron al
azar 15 unidades primarias (melgas donde cultivan la nueva
variedad de maz) y, tambin, al azar las unidades secundarias
sobre las que se har la observacin (plantas que estn dentro de
las melgas). Hay que tomar en cuenta que aunque se sembraron
8,000 semillas, no todas llegaron a desarrollarse y que en
general se toma un 8% de mortandad por lo que .

Investigacin de Productividad de una nueva variedad de Maz

194

16

0.590

114.46

0.00266

134.185

5.741

200

16

0.610

122.00

0.00329

358.579

7.567

175

14

0.533

93.28

0.00279

92.838

5.615

163

13

0.495

80.69

0.00299

494.829

5.624

181

14

0.522

94.48

0.00249

8.926

5.376

171

14

0.524

89.60

0.00269

179.483

5.158

197

16

0.605

119.19

0.00239

261.454

5.326

186

15

0.567

105.46

0.00259

5.912

5.492

175

14

0.533

93.28

0.00399

92.838

8.030

10

192

15

0.586

112.51

0.00318

90.033

7.205

11

174

14

0.533

92.74

0.00284

103.400

5.648

12

173

14

0.529

91.52

0.00332

132.842

6.523

13

185

15

0.567

104.90

0.00289

3.477

6.059

14

187

15

0.571

106.78

0.00239

15.121

5.125

15

197

16

0.600

118.20

0.00254

231.996

5.661

2750

221

1539.07

2205.913

90.149

Promedio

183.33

Con base en lo anterior, los resultados del MCDE:

El intervalo de confianza, con 90% de confiabilidad estadstica, para el

estimador total es:
Esto significa que la estimacin de la produccin de maz en las melgas
de investigacin puede variar entre 3.9 Ton y 4.3 Ton.

Muestro Sistemtico (MS)

Caractersticas del MS:

El muestreo sistemtico puede ser una excelente alternativa para
sustituir al simple aleatorio y, algunas veces, es ms preciso,
pero depende de las caractersticas de la poblacin a analizar,
por lo que es necesario conocer algo sobre la estructura de la
poblacin.
El muestreo sistemtico generalmente resulta ms simple y barato
al momento de seleccionar la muestra.

El muestreo sistemtico es preferible cuando la poblacin est

ordenada, pues tiene la seguridad de recorrer todos los
elementos de la poblacin y tener una muestra representativa
de esta, pero si la muestra es aleatoria los resultados son
equivalentes al muestreo simple aleatorio.

Debe tener cuidado al momento de tener una poblacin

peridica debido a que puede ocurrir que al elegir el tamao de
nuestra k, las unidades muestrales siempre caigan en un lugar
del ciclo y dejen la otra parte de este, por lo que la poblacin
no sera representada por la muestra.
Es

importante

hacer

notar

que

puede

hacer

un

muestreo

 Anteriores muestreos usan forma aleatoria en la seleccin de la muestra

que implica un proceso complicado y costoso.
El diseo de muestreo o de encuestas por muestreo sistemtico, el cual
es ampliamente utilizado pues representa una significativa reduccin
del proceso de seleccin de la muestra.
Este diseo elimina la necesidad de desarrollar mtodos de
aleatorizacin elaborados ya que slo requiere fijar un intervalo y de ah
recorrer la poblacin seleccionando las unidades que se encuentren en
el punto seleccionado del intervalo. Esto, evidentemente facilita el trabajo
de campo en el muestreo y reduce sustancialmente los errores que se
podran cometer en caso de hacer uso de un procedimiento ms elaborado.
En este mtodo se tiene la certeza de cubrir la totalidad de la poblacin a
analizar desde un inicio.
De esta manera, el tiempo que consumir y el costo de seleccin por
unidad muestral ser menor.
El principal problema de las muestras extradas de este tipo de
poblacin radica en extraer una muy sesgada, pues si elige un tamao k
demasiado pequea que siempre cayera en el mismo lugar del intervalo
y obtendra la caracterizacin de esa parte del ciclo y no de la poblacin
total. Si tomar un valor de k ms grande que lograra romper el ciclo, los
resultados sern ms alentadores )

Muestra Sistemtica. Es una muestra que se obtiene

seleccionando una unidad muestral por cada k unidades en
una poblacin de tamao N. De esta manera, tomando el valor
apropiado de k, se dice que se tiene una muestra de 1 en k. A este
tipo de muestra se denota como . Regularmente N es mltiplo de
k y a cada conjunto de k unidades se le llama grupo (figura 1).
Cabe sealar que existe el muestreo sistemtico cuando N no es
mltiplo de k.

Seleccin de una Muestra Sistemtica. Primero se decide el tamao

del intervalo 1-en k unidades, luego selecciona aleatoriamente una
unidad que se encuentre dentro del intervalo de la primera hasta la ksima unidad y as seguir tomando los mltiplos de k, hasta llegar a
N. Para seleccionar una k adecuada para una muestra sistemtica de n
elementos en una poblacin de N, k debe ser menor o igual que N/n; si
no conociera a N, entonces determinar un tamao de muestra n
aproximado para la encuesta y as estar en la posibilidad de obtener
una k estimada. Sin embargo, es necesario tener una precisin dada
desde el principio de estudio.
Poblacin Aleatoria. Se llama as cuando se encuentre a las unidades
muestrales ordenadas al azar dentro de la poblacin. La muestra
extrada de una poblacin aleatoria debe conservar un coeficiente de
correlacin aproximadamente igual a cero , es decir, que si se tiene una N
grande, la varianza de es aproximadamente igual a la varianza de y,
de esta forma el muestreo sistemtico es equivalente al simple
aleatorio. Sin embargo, este tipo de muestras suelen ser heterogneas
y generalmente con un coeficiente de correlacin menor o igual a
cero . Si fuese el caso y tiene una N suficientemente grande se tiene
que . Por lo tanto, una muestra sistemtica ordenada proporciona ms
informacin que una muestra simple aleatoria por unidad de costo.

Estimacin de la Media de Muestra Sistemtica :

Varianza Estimada de :
Intervalo de Confianza de :
As la varianza verdadera del estimador de la media de una
muestra sistemtica es:
As pues, el muestreo sistemtico estar muy ligado a este
indicador ya que si es cercano a 1, quiere decir que los elementos
estn estrechamente relacionados y esto nos producir una mayor
varianza de la media que en el muestreo simple aleatorio, por lo
que este ltimo ser el ms indicado. En el caso contrario, si es cercano
a cero, nuestra estimacin por muestreo sistemtico es la ms
recomendada
ya
que
en
este
caso
la
varianza
es
aproximadamente igual al muestreo simple aleatorio.

Ejemplo: El dueo de una compaa de transportes vendiendo su

proveedor es de la calidad especificada a los 3 meses de haberlo
suministrado a los vehculos; uno de los principales inconvenientes es
que en ningn momento estn todos los automotores en la central,
por lo que hacer un muestreo simple aleatorio podra representar
algunos problemas, por esto se ha decidido tomar un muestreo
sistemtico, seleccionando cada k vehculos segn su llegada a la
central, sabemos que la compaa cuenta con 1,200 vehculos e
interesa muestrear 60 de ellos y a cada uno de ello sacarle una
muestra de aceite para medir sus grados Poise (que es la viscosidad)
en el laboratorio, cabe mencionar que el mtodo de medicin es
complicado pues se toman diferentes variables en cuenta. Asimismo,
segn especificaciones el aceite debe estar entre 0.5 y 0.7 grados
Poise dependiendo del vehculo.
Se elige una muestra k:
Esto indica que se deben muestrear cada 20 elementos,
eligiendo de manera aleatoria el primer elemento entre los
primeros 20. Datos:

No. de Muestra

Grados Poise

Vehculo 2

0.5342

Vehculo 22

0.6340

Vehculo k-simo

0.6780

.
.
.

.
.
.

Vehculo 1,142

0.7128

33.9538
0.0935

Estimacin de la media:
Esto indica que el promedio de grados Poise que el aceite de
los vehculos tienen, despus de 3 meses, es de 0.57.
Estimacin de varianza:

As que el intervalo de confianza para la estimacin de la media se

estima as:
Por lo tanto, se puede decir con un 90% de confiabilidad que la
media se encuentra entre y grados Poise. Entonces, el aceite del
proveedor no cumple con las especificaciones de calidad
requeridas.
Estimador del Total Poblacional :
Su correspondiente estimador de la varianza lo obtenemos
multiplicando el estimador de la varianza de la media por:
Varianza Estimada de :
La correspondiente construccin del intervalo de confianza se hace de
la manera habitual, sumando y restando el error de estimacin.
Intervalo de Confianza :

Muestro Sistemtico con Repeticiones

Replicado (MSR)

Muestreo Sistemtico con Repeticiones Replicado (MSR)

Se usa cuando la poblacin no es aleatoria y para estimar la
varianza de la media, que usa el mismo principio que el Muestreo
Sistemtico Simple. Usa replicas, por lo que se recorre la
poblacin tomando varias muestras sistemticas al mismo
tiempo, que tendrn un punto de inicio k diferente. Esto es:
Se encuentra con una poblacin de N elementos que se puede
enumerar consecutivamente, de donde se selecciona una
muestra de tamao n.
Se obtiene , se selecciona un nmero aleatorio entre 1 y k. De ah,
se construye
ser el nuevo tamao de intervalo. Se
muestrea elementos de 1 a . Tal que es nmero de replicas a
usar en el diseo, que usualmente son 10 par obtener
estimaciones satisfactorias para la varianza. Observacin: el valor
de se construye tal que al final se tienen el mimo nmero de
mediciones que se obtendra con una sola muestra de 1 en
k por lo que muestrear con rplicas no representa un costo
mayor.

 Se selecciona nmeros aleatorios entre uno y que ser puntos

de inicio para cada una de las muestras, de ah se recorre la
poblacin de en para cada una de stas hasta llegar al ltimo
elemento N, en este momento se tendr elementos de cada
rplica. Tal que, (n es tamao total de muestra), donde n
representa el nmero de unidades muestrales incluidas en
una muestra sistemtica sin repeticiones.
Elementos a estimar en el MSR o Muestreo Replicado:
Estimacin de la Media para Muestras Sistemticas Replicadas:
Varianza estimada de :
Intervalo de Confianza:
Estimacin del Total para Muestras Sistemticas Replicadas:

Varianza Estimada de :
Intervalo de Confianza del Estimador del Total:

Ejemplo: Una empresa desea conocer la opinin de sus clientes

acerca de sus servicios; para esto realiza una encuesta de opinin
sobre los 1,000 clientes y cree suficiente muestrear a 70 de estos. Las
respuestas de los clientes van de uno en uno hasta cinco donde
1=muy mal servicio y 5=muy buen servicio. Es importante mencionar
que cada cliente tiene un nmero consecutivo que lo identifica y la
empresa cuenta con un listado, sobre el cual se seleccionar
sistemticamente.
Aunque
con
.
Entonces, se selecciona aleatoriamente 10 nmeros entre 1 y 140. Los
resultados de muestreo se exponen, donde los nmeros entre
parntesis representa el nmero de cliente seleccionado y la cantidad
que enseguida aparece es la calificacin dada a la empresa.

1ra
muestra

2da.
muestra

3ra
muestra

4ta
muestra

5ta
muestra

6ta
muestra

7ma
muestra

Clien
te

Cali
f.

Clien
te

Cali
f.

Clien
te

Cali
f.

Clien
te

Cali
f.

Clien
te

Cali
f.

Clien
te

Cali
f.

Clien
te

Cali
f.

142

282

422

562

702

842

2.86

0.22

145

285

425

565

707

845

3.14

0.03

25

165

305

445

585

725

865

3.86

0.28

62

202

342

482

622

762

902

4.00

0.45

67

207

347

487

627

767

907

3.14

0.03

80

220

365

500

640

780

920

2.29

1.09

98

238

378

518

658

798

938

2.14

1.41

122

262

402

542

682

822

962

3.71

0.15

123

263

403

543

683

823

963

4.14

0.66

135

275

415

555

695

835

975

4.00

0.45

33.2
9

4.78

Tal que, resultados de Muestreo Sistemtico con Repeticiones

son:

Con 90% de confiabilidad estadstica, el nmero de clientes que le

dan la calificacin mencionada a la empresa est entre y .

Muestro de Razn, Regresin y Diferencia

(MRRD)

UNIVERSIDAD ESTATAL DE BOLVAR

Ingeniera forestal

PR

ES
L
IPA
C
IN

S
O
P
TI

DE
DI
ST
R

IBU
CI
N

Prof. Moiss Arregun S.

Ecuador. Agosto 2015

Distribucin Bernoulli.
La Distribucin de Bernoulli consiste en realizar un experimento
aleatorio una sola vez y observar si cierto suceso ocurre o no,
siendo la probabilidad que esto sea as (xito) y que no lo sea
(fracaso). Se define este experimento mediante una variable
aleatoria discreta que tomas los valores si el suceso no
ocurre y en caso contrario. Esto se denota como .

Un ejemplo tpico de variables aleatorias consiste en lanzar una

moneda al aire y considerar la variable aleatoria:

Para una variable aleatoria de Bernoulli, se tienen que su funcin de

probabilidad es:
Su funcin de distribucin es:

Distribucin Binomial:
La distribucin de probabilidad binomial es un ejemplo de una
distribucin de probabilidad discreta. Algunas caractersticas de
esta distribucin:
a) Slo hay dos resultados posibles en cada ensayo de un
experimento.
b) Los resultados son mutuamente excluyentes.
c) Se clasifican los dos resultados como xito o fracaso,
aunque no implica que un resultado sea bueno y el otro malo.
d) La variable aleatoria es el resultado de conteos (nmero de
xitos en la totalidad de ensayos).
e) La probabilidad de un xito sigue siendo la misma de un
ensayo a otro.
f) Cada ensayo es independiente de cualquier otro, los
resultados no siguen ningn patrn (las respuestas de una prueba
de verdadero/falso no figuran como V, V, V, F, F, F, V, V, V,
etctera).

Ejemplos:
a) El enunciado de una pregunto de tipo verdadero o falso.
b) Un departamento de control de calidad clasifica un producto como
aceptable o no aceptable.
c) Un trabajador es clasificado como empleado o desempleado.
d) Una llamada de venta hace que el cliente compre el producto o no.
e) Se lanza 5 veces una moneda y se cuenta el nmero de caras que
resultan.
f) Se escogen 20 cajas de cereal y se cuenta las que pesaron ms de
lo indicado en el paquete.
g) La probabilidad que se adivine correctamente (xito) la primera
pregunta de una prueba de verdadero/falso es de un medio (1/2) o
primer ensayo. La probabilidad de adivinar en forma correcta la
segunda pregunta (segundo ensayo) es de un medio (1/2), la
probabilidad de tener xito en el tercer ensayo es (1/2) y as
sucesivamente.
h) Si la experiencia revela que el puente levadizo sobre una va fluvial
ha estado levantado una de cada cinco veces; entonces, la
probabilidad que est levantado (xito) la prxima vez que llegue
ah ser de un quinto (1/5), de nuevo (1/5) la siguiente ocasin y
sucesivamente.

La distribucin de probabilidad binomial puede describirse usando:

Donde:
C es una combinacin.
n es nmero de ensayos.
X es nmero de xitos.
P es probabilidad de xito en cada ensayo.
La media y varianza de una distribucin pueden calcularse de
manera rpida mediante:

Se dice que una variable aleatoria sigue una ley binomial de

parmetros y , si es la suma de variables aleatorias independientes
de Bernoulli con el mismo parmetro, :

Esta definicin tiene la interpretacin si se realiza pruebas de

Bernoulli, , donde en todas ellas, la probabilidad de xito es la
misma , se quiere estimar el nmero de xitos, , obtenidos del
total de las pruebas. Entonces, su ley de probabilidad es:
Por lo tanto, su funcin de distribucin es:
La Distribucin Binomial se emplea en dos tipos de muestreo
diferente:
Poblacin Infinita sin reemplazo.
Poblacin Finita con Reemplazo.

Ejemplos:
a) Entre 2 ciudades hay 5 vuelos diarios. Si la probabilidad que un
vuelo llegue retrasados 0.20, Cul es la probabilidad que ninguno
de los vuelos se retrase el da de hoy?, Cul es la probabilidad que
exactamente 1 de los vuelos llegue tarde?
b) 5% de engranes sin fin producidos por una mquina automtica
Carter Bill de alta velocidad resultan defectuosos. Cul es la
probabilidad que, al seleccionar al azar 6 engranes, ninguno sea
defectuoso?, Cul es la probabilidad que haya exactamente 2, 3,
4, 5 o 6?
c) Un examen de estadstica de eleccin mltiple contena 20
preguntas y cada una de ellas 5 respuestas. Si un estudiante
desconoca todas las respuestas correctas y contexto su examen al
azar:
1. Cul es la probabilidad que conteste correctamente 5 preguntas?
2. Cul es la probabilidad que conteste a lo ms 5 preguntas?

d) Dada la Distribucin Binomial con y . Determine:

Ejercicios:
1) En una situacin binomial
y . Determine las siguientes
probabilidades utilizando la frmula binomial.

2) En una situacin binomial n=5 y p=0.40. Determine las siguientes

probabilidades utilizando la frmula binomial.
X=1
X=2
3) Supngase una distribucin binomial en que n=3 y p=0.60.
1. Enuncie probabilidades para valores desde 0 a 3
2. Determine media y desviacin estndar.

4) Supngase una distribucin binomial en que y .

Enuncie probabilidades para valores desde 0 a 5
Determine media y desviacin estndar.
5)Una encuesta de corretaje financiero (USA) reporta que 30% de inversionistas
individuales ha empleado un corredor de descuento (no cobra las comisiones
completas). En una muestra seleccionada al azar de 9 inversionistas, Cul es
la probabilidad que?:
a) Exactamente 2 de los individuos de la muestra hayan empleado a un
corredor de descuento?
b) Exactamente cuatro de ellos han recurrido a un corredor de ese tipo?
c) Ninguno haya recurrido a un corredor de descuento?
6) Se asegura que 95% del correo de primera clase (USA) se entrega, dentro de
la misma ciudad, a los dos das hecho el envo. Se mandan aleatoriamente seis
cartas a diferentes sitios.
a) Cul es la probabilidad que las 6 lleguen a su destino dentro de los dos
das?
b) Cul es la probabilidad que exactamente cinco de las cartas lleguen dentro
de dos das?
c) Determine la media del nmero de cartas que llegaran dentro de dos das.
d) Calcule la varianza y desviacin estndar del nmero de cartas que llegar
dentro de dos das.

7) Los estndares de la industria automovilstica de USA indican que 10% de los

autos nuevos requerirn servicio por garanta en el primer ao. La agencia
Jones Nissan en Sumter, Carolina del Sur, vendi 12 automviles en el mes
pasado.

a) Cul es la probabilidad que ninguno de estos necesite servicio de garanta?

b) Estime probabilidad que exactamente uno de ellos requiera tal servicio.
c) Determine la probabilidad que exactamente dos automviles no requieran.
d) Calcule la varianza y desviacin estndar esta distribucin de probabilidad.

8) Una empresa de tele-mercadeo realiza 6 llamadas telefnicas por

hora, es capaz de realizar una venta en 30% de estos contactos. Para
las prximas 2 Hr determine:
a)
b)
c)
d)

Probabilidad de hacer exactamente 4 ventas.

Probabilidad de no realizar ninguna venta.
Probabilidad de hacer exactamente 2 ventas.
El nmero medio de ventas en el periodo de dos horas.

9) Un estudio reciente realizado por una asociacin de contadores mostr que

23% de los estudiantes de contadura eligen el ramo de contadura pblica. Se
seleccion una muestra de 15 estudiantes.
a)
b)
c)

Cul es la probabilidad que 2 hayan seleccionado contadura pblica?

Cul es la probabilidad que 5 hayan seleccionado contadura pblica?
Cuntos estudiantes se espera que hayan seleccionado contadura pblica?

10) Suponga que 60% de las personas prefieren el refresco (cola) Coca al
refresco (cola) Pepsi. Se seleccionan 18 personas.
a) Cuntas se espera que prefieran Coca?
b) Cul es la probabilidad que 10 de las personas prefieran Coca?
c) Cul es la probabilidad que 15 de las personas prefieran Coca?
11) Existe un 90% de probabilidad que un tipo determinado de componente se
comporte adecuadamente bajo condiciones de alta temperatura. Si el
dispositivo en cuestin tiene 4 de tales componentes, determine la probabilidad
cada uno de los siguientes eventos:
d) Todos los componentes se comportan adecuadamente y, por lo tanto, el
dispositivo es operacional.
e) El dispositivo no es operacional porque falla.

Distribucin Poisson.
La llamada distribucin de Poisson describe la cantidad de veces
que ocurre un evento en un intervalo de tiempo determinado
(tiempo, distancia, rea o volumen). Esta distribucin se basa en dos
supuestos:
1. La probabilidad es proporcional a la extensin del intervalo:
Cuanto mayor sea la magnitud o extensin del intervalo, tanto
mayor ser la probabilidad.
2. Los intervalos son independientes: El nmero de ocurrencias en
un intervalo no afecta a los otros intervalos
A esta distribucin binomial es una forma lmite de la distribucin
binomial, cuando la probabilidad de xito es muy pequea y n
es grande. A esta distribucin con frecuencia se le llama ley de
eventos improbables, que significa que la probabilidad (p) que un
evento particular ocurra es muy pequea. La Distribucin de Poisson
es una distribucin de probabilidad discreta, pues se forma
por conteo.

Esta distribucin tiene muchas aplicaciones. Se utiliza como modelo

para describir la distribucin de errores en la captura de
datos, nmero de rayaduras y otras imperfecciones en los
tableros de automvil recin pintados, en cantidad de partes
defectuosos en embarques de salida, nmero de clientes en
espera de servicio en un restaurante o cantidad de clientes
que hacen fila para entrar a una de las atracciones de un
centro de diversiones y, tambin, en nmero de accidentes en
una carretera durante un periodo de meses, etctera.
Esta distribucin puede describirse matemticamente mediante:
Donde:
es media del nmero de ocurrencias (xitos) en un intervalo
especfico.
es constante (2.71828) o llamado base del sistema logartmico
neperiano.
es nmero de ocurrencias (xitos).
es probabilidad que se va a calcular para un valor dado de .

La media de una Distribucin de Poisson:

La

FIN UNIDAD II!