Mtodos y Distribuciones de Muestreo

En este captulo comenzamos eI

estudio del muestreo.
El muestreo es una herramienta
estadstica utilizada para inferir algo
respecto de una poblacin mediante Ia
seleccin de una muestra de esa
poblacin.

Repasemos
La estadstica descriptiva incluye los
mtodos para organizar, resumir y
presentar datos de manera informativa.
La estadstica inferencial incluye los
mtodos usados para determinar algo
acerca de la poblacin basndose en
una muestra

Seleccin de muestras de la poblacin

En muchos casos, el muestreo es Ia

nica manera de determinar algo
respecto de Ia poblacin.

Algunas razones por las que eI muestreo

es necesario son:
El costo de estudiar a todos los
integrantes de una poblacin con
frecuencia es prohibitivo.
La idoneidad de los resultados de Ia
muestra.

 Con frecuencia, ponerse en contacto

con toda Ia poblacin supondra
mucho tiempo.
La naturaleza destructiva de ciertas
pruebas.
La imposibilidad fsica de verificar
todos los articulos de Ia poblacin.

Mtodos de muestreo probabilstico

En general, existen dos tipos de muestras:

-

probabilsticas
no probabilsticas.

En el muestreo probabilstico, cada

uno de los artculos de Ia poblacin
tiene Ia misma oportunidad de ser
elegido para la muestra.

Si se utilizan mtodos no
probabilisticos, no todos los artculos
o personas en Ia poblacin tienen Ia
misma posibilidad de ser includos en la
muestra.
En tal caso, quiz los resultados
estn sesgados, Io que significa que es
posible que los resultados de Ia
muestna no sean representativos de Ia
poblacin.

El muestreo por paneles y el muestreo

de conveniencia son dos mtodos no
probabilsticos.
La seleccin de los miembros se
basa en eI criterio de quien dirige Ia
investigacin, y por Io tanto, tal vez
no sea representativa del total de Ia
poblacin.

Los procedimientos estadsticos

que se usarn en esta unidad se basan
en el muestreo probabilstico.

No existe un mejor mtodo para

seleccionar una muestra probabilstica
de una poblacin de inters.
Todos los mtodos de muestreo
probabilstico tienen similar finalidad:
- permitir que el azar determine
los artculos o personas que
incluye Ia muestra.

Tipos de muestreo probabilstico

El tipo de muestreo que ms se utiliza

es el muestreo aleatorio simple.

En el muestreo aleatorio simple se

selecciona la muestra de tal forma que
cada uno de los elementos o personas
en la poblacin tenga las mismas
probabilidades de ser includo.

Ejemplos:

Por sorteo

utilizando una tabla de

nmeros aleatorios
(apndice E)
pgina 524

Extracto de la tabla de nmeros aleatorios

02711
94873
54921
77640
61545

08182
90935
78680
97636
00835

Autoevaluacin 7-1
(pgina 224)

El segundo tipo de muestreo es el

muestreo aleatorio sistemtico.

En el muestreo aleatorio
sistemtico se acomodan los los
elementos o personas de la poblacin
utilizando algn patrn o razn.
Se selecciona un punto de partida
aleatorio (al azar) y luego se toma
cada k-simo miembro para formar
parte de la muestra.

En ciertas circunstancias una muestra

sistemtica podra producir
resultados sesgados.

El tercer tipo de muestreo es el

muestreo aleatorio estratificado.

En el muestreo aleatorio estratificado:

1) se divide la poblacin en
subgrupos llamados estratos,
2) y se selecciona una muestra
de cada uno de ellos.

Una muestra estratificada garantiza la

representacin de cada subgrupo.

El cuarto tipo de muestreo es el

muestreo por conglomerados.

Muchas veces se le emplea para reducir el

costo de realizar un muestreo de una
poblacin dispersa en una gran rea
geogrfica
.

Se emplea el muestreo por conglomerados

subdividiendo el rea en unidades pequeas,
ya fueran municipios o regiones. Muchas
veces, stas se conocen como unidades
primarias.

Se trata de una combinacin del muestreo

por conglomerados y el muestreo aleatorio
simple.

Autoevaluacin 7-2
(pgina 228)

Error en el muestreo

Es posible que existan ciertas diferencias

entre las estadsticas de Ia muestra,
como Ia media o Ia desviacin estndar de Ia
muestra, y los parmetros de la poblacin
correspondientes.

La diferencia entre un estadstico de Ia

muestra y un parmetro de Ia poblacin se
conoce como error de muestreo.

Distribucin muestral de las medias

de las muestras

Si se organizaran las medias de todas las

muestras posibles de un tamao de
muestra dado, en una distribucin de
probabilidad, se obtendr una distribucin
muestral de las medias de las muestras.

Ejemplo:
Tartus Industries tiene siete empleados de
produccin (tamao de Ia poblacin).
Los salarios por hora de cada uno de ellos
se enlistan a continuacin:

Empleado

Salario Por hora

Joe

Sam

Sue

Bob

Jan

Art

Ted

Cul es la media de la poblacin?

La media de Ia poblacin es:

7+7+8+8+7+8+9
u = -----------------------------------7
u = 7.71

Cul es Ia distribucin muestral de

las medias del muestreo para
muestras tamao 2?

Para construir Ia distribucin muestral de

las medias de las muestras, se
seleccionan todas las muestras de
tamao dos sin reemplazo de Ia
poblacin.

Se encuentran utilizando esta frmula:

Donde:
N = 7 es el nmero de elementos en Ia
poblacin y
n = 2 es el nmero de elementos en Ia
muestra.
Existen 21 muestras posibles.

y se calculan las medias.

Emplead Salario
Muestra
os
por hora

Suma

Media

Joe, Sam

$7, $7

$14

$7.00

Joe, Sue

7, 8

15

7.50

Joe, Bob

7, 8

15

7.50

Joe, Jan

7, 7

14

7.00

Joe, Art

7, 8

15

7.50

Joe, Ted

7, 9

16

8.00

Sam, Sue

7, 8

15

7.50

Sam, Bob

7, 8

15

7.50

Sam, Jan

7, 7

14

7.00

10

Sam, Art

7, 8

15

7.50

11

Sam, Ted

7, 9

16

8.00

Cul es Ia media de Ia distribucin

muestral?

suma de todas las medias de las muestras

ux = -----------------------------------------------nmero de medias de las muestras

162
ux = -------- = 7.71
21

Esta distribucin de probabilidad es Ia

distribucin muestral de las medias
de muestras.
Media
de muestra

Nmero
de medias

Probabilidad

7.00
7.50
8.00
8.50

3
9
6
3
21

.1429
.4285
.2857
.1429
1.000

Qu se puede decir de Ia poblacin y

de Ia distribucin muestral?

Pueden hacerse las siguientes

observaciones:
a) La media de las medias de Ia muestra es
igual a Ia media de Ia poblacin 7.71 ux = u
b) La dispersin de Ia distribucin de las
medias de Ia muestra es menor a Ia
dispersion en los valores de Ia poblacin.
Las medias de Ia muestra van de
7.00 a 8.50, en tanto que los valores
de Ia poblacin varan de 7.00 a 9.00.

c) La grfica de Ia distribucin muestral de

las medias de muestras y Ia grfica de Ia
distribucin de frecuencia de los valores de Ia
poblacin es diferente.
La distribucin de las medias de Ia
muestra tiende a tener una forma de
campana y a aproximarse a Ia
distribucin de probabilidad normal.

En resumen:
se calcularon y presentaron todas las
muestras aleatorias posibles de una
poblacin
para cada muestra se calcul su media.
se prepar una distribucin de las
medias de las muestras

Debido a que cada muestra posible tiene Ia

misma posibilidad de ser seleccionada, se
puede determinar Ia probabilidad asociada.
La distribucin muestral de las medias de
muestras se utiliza para medir lo probable
que podra ser obtener un resultado
especfico.

Autoevaluacin 7-3
(pgina 233)
Ejercicios 3 y 5
(pgina 233)

El teorema del lmite central

El teorema del lmite central afirma que,

para grandes muestras aleatorias,
Ia distribucin muestral de las medias
de las muestras est ms prxima a una
distribucin de probabilidad normal.
La aproximacin es ms precisa para
muestras grandes.

Esta es una de las conclusiones

ms tiles en estadstica.
Es posible razonar sobre Ia distribucin
muestral de las medias de las muestras sin
contar con informacin alguna sobre Ia
forma de Ia distribucin original de Ia que se
toma Ia muestra.
En otras palabras, el teorema del lmite
central es vlido para todas las
distribuciones.

Si Ia poblacin tiene una distribucin de

probabilidad normal, entonces, para cualquier
tamao de muestra Ia distribucin del
muestreo de Ia media tambin tendr una
distribucin normal.
Si Ia distribucin de Ia poblacin es simtrica
(pero no normal), se vea que surge Ia forma
normal como lo establece el teorema del
lImite central an con muestras tan pequeas
como de tamao 10.

Por otra parte, si se toma una distribucin

que est sesgada o que tenga extremos muy
gruesos, quiz requiera muestras de al
menos 30 para observar Ia caracterstica de
normalidad.
La mayorIa de los estadsticos consideran
que una muestra de 30 es lo bastante grande
para poder emplear el teorema del lmite
central.

Ejemplo:
Ed Spence comenz su empresa de
engranes hace 20 aos. Con el paso del
tiempo, Ia empresa creci y hoy en da
emplea a 40 personas.
Spence Sprockets Inc., enfrenta algunas
importantes decisiones respecto a Ia salud
de estos empleados. Antes de tomar una
decisin final sobre el plan de salud que
debera adquirir, Ed decide formar un comit
de cinco representantes de los empleados.

Se pedir al comit que estudie con cuidado

Ia cuestin del plan de salud y haga una
recomendacin sobre el plan que mejor se
ajuste a las necesidades de los empleados.
Ed siente que las opiniones de los empleados
ms jvenes hacia el cuidado de su salud
pueden diferir de las de los empleados de
mayor edad.

Si Ed selecciona al azar a su comit,

qu puede esperar en cuanto a Ia media de
aos de servicio en Spence Sprockets para
los integrantes del comit?
De qu manera Ia forma de Ia distribucin
de los aos de antiguedad de todos los
empleados se compara con Ia forma de Ia
distribucin de muestreo de las medias?

Los aos de servicio (redondeados a aos

completos) de los 40 empleados que hoy en
da estn en Ia nmina de Spence Sprockets,
Inc., son como sigue:

Vamos a considerar el primero de los

problemas de Ed Spence. Quiere formar un
comit de cinco miembros para analizar Ia
cuestin del cuidado de Ia salud y sugerir el
tipo de seguro que sera el ms apropiado
para Ia mayora de los trabajadores.
Cmo debera seleccionar el comit?
Si Spence elige al comit al azar, qu podra
esperar, en cuanto a los aos de antiguedad
de los integrantes del comit?

Para comenzar, Ed anota los aos de

servicio de cada uno de los 40 empleados en
un papel y los pone en una vieja gorra de
bisbol. revuelve los papeles y toma al azar
cinco de ellos. Los aos de servicio de estos
cinco empleados son: 4, 1, 0, 14 y 9.
As, la antigedad media de servicio para
estos cinco empleados es 5.60 aos.
se compara con Ia media de Ia poblacin?

En este momento, Ed no conoce Ia media de

Ia poblacin, pero el nmero de empleados
en Ia poblacin es de solo 40, de modo que
decide calcular Ia antiguedad media de
servicio para todos los empleados.
Es 4.80 aos, que se encuentra sumando los
aos de servicio para todos los empleados y
dividiendo el total entre 40. La diferencia
entre Ia media de Ia muestra y Ia media de
Ia poblacin es el error de muestreo.

En otras palabras, Ia diferencia de 0.80 aos

entre Ia media de Ia poblacin 4.80 y Ia
media de Ia muestra de 5.60, es el error de
muestreo.
Esto se debe al azar. AsI, si Ed hubiera
seleccionado a estos cinco empleados para
crear el comit, Ia antigedad media del
servicio sera un poco mayor a Ia media de
Ia poblacin.

Qu ocurrira si Ed devolviera los cinco

trozos de papel a Ia gorra de bisbol y
seleccionara otra muestra?
Esperaras que Ia media de esta segunda
muestra fuera exactamente Ia misma que Ia
anterior?
Supongamos que Ed selecciona otra muestra
de cinco empleados y descubre que las
antigedades de servicio en esta muestra son
8, 3, 1, 1 y 14. La media de esta muestra es
de 5.40 aos.

La ilustracin 7-5 muestra el resultado de

seleccionar 30 muestras de ms de 5
empleados cada una, y calcular las medias
de estas muestras.
Estas medias de muestra se organizan
entonces en un histograma (diagrama 7-4).
La forma de Ia distribucin de 30 medias de
muestra es diferente de Ia de Ia poblacin.
En el diagrama 7-2, Ia distribucin de todos
los empleados tiene un sesgo positivo.

Sin embargo, Ia distribucin muestral de las

medias de muestras, (diagrama 7-4), est
ms prxima a una distribucin normal.
Esto ilustra el teorema del lmite central.
Existe menos dispersin en Ia distribucin
muestral de las medias de muestras que en
Ia distribucin de Ia poblacin.
En Ia poblacin, Ia antigedad de servido
iba de 0 a 19 aos. En Ia distribucin
muestral de las medias de muestras, estas
ltimas iban de 2.2 a slo 9.2 aos.

Tambin es posible comparar Ia media de las

medias de muestras con Ia media de Ia
poblacin. La media de las 30 muestras es
4.7133 aos, es muy prxima a Ia media de
poblacin de 4.80 aos.

Qu se puede concluir de este ejemplo?

El teorema del Imite central indica que,
independientemente de Ia forma de Ia
poblacin, Ia distribucin muestral de las
medias de muestras se aproximar a Ia
distribucin normal. Mientras mayores sean
las muestras, mayor ser Ia convergencia.
Spence Sprockets, Inc. , es una evidencia
emprica del funcionamiento del teorema del
lmite central.

Este ejemplo comienza con una poblacin

con sesgo positivo (diagrama 7-2).
Se eligi un pequeo nmero de muestras y
se observ una distribucin de medias de
muestra.
Se observ un cambio en Ia forma de Ia
poblacin para Ia distribucin de medias de
muestra (al comparar diagramas 7-3 y 7-4).

Cuando se aumenta el nmero de

muestras de 10 a 30, se comienza a
ver Ia caracterstica de normalidad.
La forma de Ia distribucin de 30
medias de muestra que se reportaron
en el diagrama 7-4 claramente tiende
hacia una distribucin normal a medida
que aumenta el tamao de Ia muestra.

El teorema del Ilmite central no dice nada de

Ia dispersin de Ia distribucin de medias de
muestras o respecto de una comparacin de
Ia media de las medias de muestras, con Ia
media de Ia poblacin.
Sin embargo, en el ejemplo se observ que
hay menos dispersion en la distribucin de
medias de muestra que en Ia poblacin al
comparar el rango de Ia poblacin y el de
las medias de las muestras.

A medida que aumenta el tamao de Ia

muestra disminuye Ia dispersin de las
medias de las muestras.
La media de Ia poblacin es exactamente
igual a Ia media de todas las medias de las
muestras.

Estimadores puntuales

En Ia mayora de los casos es necesario,

por su tamao, estimar Ia media de Ia
poblacin. Por lo general no se conoce
este parmetro de Ia poblacin.
Se llama estimador puntual al nmero
nico que se usa para estimar un
parmetro de Ia poblacin.
El estimador puntual es un valor que se
calcula a partir de la informacin de la
muestra, y que se usa para estimar el
parmetro de Ia poblacin.

Sin embargo, un estimador puntual slo se

refiere una parte de Ia historia.
Si bien se espera que el estimador puntual
est prximo al parmetro de Ia poblacin,
es importante expresar qu tan cerca est.
Un intervalo de confianza sirve a este
propsito.

Intervalos de confianza

Un intervalo de confianza es un rango

de valores que se construye a partir de
datos de la muestra de modo que el
parmetro ocurre dentro de dicho rango
con una probabilidad especfica.
La probabilidad especfica se conoce
como nivel de confianza.

La informacin de Ia distribucin muestral

de las medias de muestras, permite
localizar un intervalo con una probabilidad
especfica de contener Ia media de Ia
poblacin.
Para muestras razonablemente grandes, es
posible utilizar el teorema del Imite central
para afirmar que el:

95% de las medias de muestra

seleccionadas de una poblacin estarn
dentro de
1.96 desviaciones estndar de Ia media de
Ia poblacin.
99% de las medias de muestra
seleccionadas estarn dentro de
2.58 desviaclones estridar de Ia media de
la poblacin.

En este caso, Ia desviacin estndar a

utilizarse es Ia de Ia distribucin muestral de
las medias de muestras.
Los intervalos que se calculan de esta forma
son el intervalo del 95% de confianza, y el
intervalo del 99% de confianza.

El teorema del lmite central afirma que

Ia distribucin muestral de las medias
de las muestras es aproximadamente
normal.

|
|
|
|
|
95%
|
|
|
.4750
.0250
.0250
| .4750
|
-1.96
1.96

Por lo tanto, se puede usar el apndice D

(pgina 523) para encontrar los valores z
apropiados.
Para el 95% se busca 0.4750 en el cuerpo de
Ia tabla, luego se lee los valores
correspondientes de fila y columna. Es 1.96.
Por tanto, Ia probabilidad de encontrar un
valor z entre 0 y 1.96 es 0.4750. Asimismo, Ia
probabilidad de encontrarse en el intervalo
entre -1.96 y 0 es tambin de 0.4750.

Cmo se calcula el intervalo de confianza

de 95%?
Veamos un ejemplo, supongamos que se
realiza una investigacin sobre el salario
inicial de los graduados de Ia facultad de
administracin.
Se calcul la media de la muestra en
$27,000 y Ia desviacin estndar de las
medias de Ia muestra en $200.

El intervalo de confianza de 95 por ciento se

encuentra entre 26,608 y 27,392 dlares,
que se encuentra mediante
$27,000 1 .96($200).
Si se seleccionaran 100 muestras del
mismo tamao de Ia poblacin de inters y
se determinaran los 100 intervalos
correspondientes de confianza, se podra
esperar encontrar Ia media de Ia poblacin
en 95 de los 100 intervalos de confianza.

El error estndar de la media de la muestra

A Ia desviacin estndar de Ia
distribucin muestral de las medias de
muestras se le llama error estndar de
Ia media de la muestra.
Muchas veces se abrevia a
error estndar.

Frmula:
donde:
es el error estndar de la media,
llamado tambin desviacin estndar de la
distribucin muestral de medias.
es la desviacin estndar de la
poblacin.
n es el tamao de la muestra.

Pero, como en Ia mayora de las situaciones

no se conoce Ia desviacin estndar de Ia
poblacin. se le estima por la desviacin
estndar de la muestra: es decir, se
remplaza con s.

El tamao del error estndar se ve

afectado por dos valores.
El primero es Ia desviacin estndar.
Si sta es grande, entonces el error
estndar tambin se ve afectado por el
tamao de Ia muestra.

A medida que ste aumenta, se reduce

el error estndar, indicando que hay
menos variabilidad en la distribucin
muestral de las medias de las muestras.
Esto es lgico, porque una estimacin
con base en una muestra grande es
ms precisa que otra que se hace con
una muestra ms pequea.

Cuando el tamao de Ia muestra, n, es por lo

menos de 30, generalmente se acepta que el
teorema del Imite central asegurar una
distribucin normal de las medias de las
muestras.
Como ya sabemos, esta consideracin es
importante.
Si las medias de las muestras tienen una
distribucin normal, es posible usar Ia
distribucin normal estndar, es decir, z, en
nuestros clculos.

Los intervalos de confianza de 95 y 99 por

ciento se calculan de Ia manera siguiente,
cuando n 30.
INTERVALO DE CONFIANZA DE 95%

INTERVALO DE CONFIANZA DE 99%

INTERVALO DE CONFIANZA

As, para un intervalo de confianza de 92 %

Ia frmula se convierte en:

El valor de 1.75 se determina con base en el

apndice D. La tabla se basa en Ia mitad de
Ia distribucin normal, de modo que 0.92/2 =
0.4600.
El valor ms prximo en Ia tabla es 0.4599, y
el valor z correspondiente es 1 .75.

Con frecuencia, tambin se usa el nivel de

confianza de 90 %. En este caso, el rea
entre 0 y z es 0.4500, que se encuentra
dividiendo 0.90/2.
El area que corresponde a un valor z de 1.64
es 0.4495 y para 1.65 es 0.4505.
Se utiliza 1.65. (valor mayor)

Ejemplo:
Un estudio abarca Ia seleccin de una muestra
aleatoria de 256 representantes de ventas
menores de 35 aos de edad.
La media de Ia muestra de sus ingresos
anuales es $55,420, con una desviacin
estndar de $2,050.

1.Cul es el ingreso media estimado de

todos los gerentes (Ia poblacin)?
Es decir, cul es Ia estimacin puntual?
La estimacin puntual de Ia media de Ia
poblacin es $55,420. En otras palabras,
no se conoce Ia media de Ia poblacin.
El valor $55,420 es Ia mejor estimacin que
hay de un valor desconocido.

2. Cul es el intervalo de confianza del 95

% para Ia media (redondeada a Ia decena
de dlares ms prxima)?
El intervalo de confianza est entre $55,170 y
$55,670, que se encuentra mediante:

Al redondear a Ia decena de dlares ms

prxima: $55,170 y $55,670.

3. Cules son los Imites del 95 % del nivel

de confianza para Ia media de Ia poblacin?
Los puntos finales del intervalo de confianza
son los lmites de conflanza.
En este ejemplo, $55,170 y $55,670 son los
Imites de confianza.

4. Qu grado de confianza se utiliza?

La medicin de confianza que tiene una
persona se refiere al grado de confianza o nivel
de confianza. En este caso, es 0.95.

5. Interpretemos los resultados.

Si se pudieran seleccionar muchas muestras
que incluyeran a la poblacin de los256
representantes de ventas menores de 35 aos
de edad, y calcular las medias e intervalos de
confianza de Ia muestra, el ingreso medio anual
de Ia poblacin estara en aproximadamente 95
de cada 100 intervalos de confianza. Ms o
menos 5 de los 100 intervalos de confianza no
incluira el ingreso medio anual de Ia poblacin.
, p Esto se ilustra en el diagrama siguiente.
Observe que el quinto intervalo de confianza no
incluye a Ia media de Ia poblaciOn.

Autoevaluacin 7-5
(pgina 249)
Ejercicios 9 y 10
(pgina 249)

Intervalo de confianza
para una proporcin de la poblacin

La determinacin de un estimador puntual y

uno de intervalo para una proporcin de
poblacin es similar a los mtodos que se
describieron en Ia seccin anterior.
Un estimador puntual para Ia proporcin de
Ia poblacin se encuentra al dividir el nmero
de xitos en Ia muestra entre el nmero que
se muestre.

Suponga que 100 personas de las 400 que se

muestrearon dijeron que les gustaba ms un nuevo
refresco de cola que el refresco normal.
La mejor estimacin de Ia proporcin de la
poblacin que favorece el nuevo refresco es 0.25, o
25 %, que se encuentra al dividir 100/400.
Recordemos que Ia proporcin es Ia fraccin del
nmero de xitos con relacin al nmero
muestreado.

Cmo se calcula el intervalo de confianza

para una proporcin de poblacin?
INTERVALO DE CONFIANZA PARA
UNA PROPORCION DE
POBLACION

donde:
P es Ia proporcin de Ia muestra.
z es el valor normal estndar para el grado de
confianza seleccionado.
n es el tamao de Ia muestra.

Ejemplo:
Luego de una larga carrera como miembro del
Consejo de Ia ciudad de Chicago, Scott lsenberg
decidi postularse para alcalde.
La campaa contra su oponente, el alcalde
Arthur Smith, ha sido enconada, y ambos
candidatos han gastado varios millones de
dlares en anuncios por televisin.
En las semanas finales, lsenberg se encuentra
adelante de acuerdo con las encuestas
publicadas en el Chicago Tribune.

Para comprobar los resultados, el personal de

campaa de Isenberg realiza una encuesta propia
durante el fin de semana previo a Ia eleccin.
Los resultados demuestran que, para una
muestra aleatoria de 500 votantes, 290 votarn
por Isenberg.
Desarrolle un intervalo de confianza de 95 % para
Ia proporcin de Ia poblacin que votar por
Isenberg. Puede ste Ilegar a Ia conclusin de
que ganar Ia eleccin?

Se comienza estimando Ia proporcin de

votantes que votarn por Isenberg.
La muestra incluy a 500 votantes y 290
apoyaron a Isenberg, de modo que Ia
proporcin de Ia muestra es 0.58, que se
encuentra al dividir 290/500.
El valor 0.58 es una estimacin puntual de Ia
proporcin de Ia poblacin desconocida (P).
Se utiliza Ia frmula para determinar el
intervalo de confianza.

Los puntos finales del intervalo de confianza son

0.537 y 0.623. El punto mnimo del intervalo de
confianza es mayor a 0.50. Por lo tanto, se
concluye que Ia proporcin de votantes en Ia
poblacin que apoya a lsenberg es mayor al 50
%. Con base en los resultados de Ia encuesta,
ganar Ia eleccin.

Autoevaluacin 7-6
(pgina 252)
Ejercicios 17 y 18
(pgina 252)

Factor de correccin de una poblacin finita

Las poblaciones que se han muestreado

hasta ahora han sido muy grandes o se ha
supuesto que son infinitas.
Qu ocurre si Ia poblacin que se muestrea
no es infinita, o ni siquiera muy grande?
En tales casos, se harn ciertos ajustes en
Ia forma en que se calcula el error estndar
de las medias de Ia muestra y el error
estndar de las proporciones de Ia muestra.

Para una poblacin finita, en Ia que el

nmero total de objetos es N y el tamao de
Ia muestra n, se hace el siguiente ajuste a los
errores estndar de las medias de Ia muestra
y Ia proporcin:
ERROR ESTANDAR DE LAS
MEDIAS DE LA MUESTRA,
UTILIZANDO UN FACTOR
DE CORRECCION
ERROR ESTANDAR DE LAS
PROPORCIONES DE LA
MUESTRA,UTILIZANDO UN
FACTOR DE CORRECCION

Ejemplo:
En el pequeo pueblo de Scandia viven 250
familias.
Una encuesta con 40 familias revel que Ia
contribucin anual promedio a Ia iglesia es
de 450 dlares, con una desviacin
estndar de 75 dlares.
Construya un intervalo de confianza de 95
por ciento para Ia contribucin media anual.

Primero, observemos que Ia poblacin es finita.

Es decir, hay un lmite para el nmero de personas
en Scandia.
Segundo, Ia muestra constituye ms del 5 por
ciento de Ia po blacin;
es decir, n/N = 40/250 = 0.16.
Por lo tanto, se utiliza el factor de correccin de Ia
poblacin finita.
El intervalo de confianza de 95 por ciento se
construye de Ia manera siguiente, utilizando las
fOrmulas.

Autoevaluacin 7-7
(pgina 254)
Ejercicios 21 y 22
(pgina 254)

Eleccin de un tamao apropiado de muestra

Una cuestin que por lo general surge

cuando se disea un estudio estadstico es:
cuntos artculos debera haber en Ia
muestra?.
Si una muestra es demasiado grande, se
desperdicia dinero recolectando datos.
lgualmente, Si es demasiado pequea, las
conclusiones resultantes sern inciertas.

El tamao de Ia muestra depende de tres

factores:
1. El nivel de confianza que se desea.
2. El margen de error que puede tolerar el
investigador.
3. La variabilidad en Ia poblacin que se
estudia.

Mientras ms alto sea el nivel de confian za,

mayor ser el tamao de Ia muestra.
Un error permisible pequeo requerir
una muestra grande, y un error permisible
grande permitir una muestra menor.
Si Ia poblacin tiene una dispersin
amplia, se requiere una muestra grande.
Por otra parte, si Ia poblacin est
concentrada (es homognea), el tamao
requerido de Ia muestra ser pequeo.

Al resolver esta ecuacin para n, se obtiene

el tamao de muestra requerido.
TAMANO DE MUESTRA
PARA ESTIMAR UNA
MEDIA

El resultado de este clculo debe ser un nmero entero.

Ejemplo:
Un estudiante de administracin pblica desea
determinar Ia cantidad media que ganan los
miembros de los concejos de ciudades.
El error para estimar Ia media es menor de 100
dlares, con un nivel de confianza de 95 por
ciento.
El estudiante encontr un informe del
Departamento del Trabajo de Estados Unidos
que estim que Ia desviacin estndar es de
1,000 dlares.
Cul es el tamao requerido de Ia muestra?

El error mximo permisible, E, es 100

dlares. El valor de z para un nivel de
confianza de 95 por ciento es 1.96, y el
estimado de Ia desviacin estndar son 1,000
dlares.
Al sustituir estos valores en Ia frmula, el
tamao requerido de Ia muestra es:

El valor calculado de 384.16 se redondea

hacia arriba a 385.
Se requiere una muestra de 385 para
cumplir con las especificaciones.
Si se desea un nivel mayor de confianza, por
ejemplo de 99 por ciento, entonces tambin
se requiere una muestra mayor.

Se recomiendara una muestra de 666.

El resultado de un aumento en el nivel de
confianza de 95 a 99 % fue un aumento de 281
observaciones.
Esto podra elevar en gran medida el costo del
estudio, en cuanto a dinero y tiempo. Por lo
tanto, es preciso considerar con todo cuidado el
nivel de confianza.