Estadística

Administrativa I

2016-1
 Métodos de
muestreo
• Herramienta para inferir sobre una
población.
• Métodos para seleccionar una
muestra de una población.

2
 Métodos de muestreo

El propósito de la estadística inferencial

consiste en determinar algo sobre una
población a partir de una muestra.

Una muestra es una porción o parte de la

población objeto de estudio. El muestreo
resulta mucho más accesible que si se
realiza un estudio a toda la población.

3
 Razones para muestrear
1. Lo difícil que resulta establecer contacto con
toda la población, el tiempo que se tendría que
invertir en demasiado largo.
2. Los costo para estudiar todos los elementos de
una población resultara prohibitivo.
3. Es imposible verificar de manera física todos los
elementos de la población.
4. Algunas pruebas son de naturaleza destructiva.
5. Los resultados de una muestra bien obtenida
son adecuados.
4
Tipos de muestreo

• No aleatorio
• Aleatorio
 Muestreo no aleatorio
• Conveniencia
• Cuota
• Intencional o de juicio

En este tipo de muestreo no exacto o de

carácter confiable, los elementos de la
muestra son elegidos por criterio del
investigador o por conveniencia de la misma.
No se garantiza que sea una muestra que
contenga todos los tipos de datos relevantes
de la población.
Muestreo aleatorios

1. Aleatorio simple

2. Aleatorio sistemático

3. Aleatorio estratificado

4. Conglomerados

7
 Muestreo aleatorio simple

Muestra seleccionada de manera que cada

elemento o individuo de la población tiene
las mismas posibilidades de que sea
elegido.

8
Ejemplo 8.1 . . .
Una empresa distribuidora de productos alimenticios tiene
845 empleados a nivel nacional. Va a entrevistar a 52
empleados para determinar sus necesidades de
capacitación.

• El Departamento de Recursos Humanos escribe el

nombre de cada empleado en un papel y lo deposita en
una caja.
• Después de mezclarlos, se efectúa la primera selección
tomando un papel sin mirarlo.
• Se repite el mismo proceso hasta completar 52
selecciones y escribe sus nombres.
Este es el método clásico del muestreo aleatorio
simple. 9
 Muestreo aleatorio simple

• Un método más conveniente para seleccionar una

muestra aleatoria consiste en utilizar un número
de identificación para cada empleado y una tabla
de números aleatorios (puede ser generada por
computadora).
• La probabilidad de 0, 1, 2, … 9 es la misma para
cada dígito de un número.
• Con este método, todos los elementos tienen la
misma probabilidad de ser elegidos.

10
 Números aleatorios
Muestra de la mitad de una tabla de números
aleatorios para seleccionar elementos para una
muestra.

11
 Muestreo aleatorio
sistemático

Se selecciona un punto aleatorio de

inicio y posteriormente se elige cada
k-ésimo miembro de la población.

12
Ejemplo 8.2 . . .
Cuando el muestreo aleatorio simple no es la
respuesta.
Suponga que la división de ventas de Jetstereo necesita
calcular rápidamente el ingreso medio por ventas en el mes
pasado. La división de ventas sabe que se registraron 5,000
ventas y se almacenaron en cajones de archivo y se decidió
seleccionar 100 recibos para calcular el ingreso promedio.
• El muestreo aleatorio simple requiere que se extraiga el
numero recibo de cada uno antes de utilizar la tabla de
números aleatorios.
• Este proceso de numeración puede tardar mucho tiempo.
En su lugar se aplica el muestreo aleatorio sistemático.
13
 Muestreo aleatorio sistemático
• Determinar el tamaño de la población.
• Divide el tamaño de la población entre el número
de elementos que desea en la muestra al que
llamaremos k
• Elegir al azar el primer elemento.
• Al resultado del primer elemento se le suma el
valor de K para obtener el segundo el elemento.
• Los demás se elementos de obtienen de la
misma manera hasta completar la muestra.

14
Ejemplo 8.3 . . .
La división de ventas de Jetstereo necesita calcular el
ingreso medio por ventas en el mes pasado. El mes
pasado se registraron 5,000 ventas y se almacenaron en
cajones de archivo. Se va a seleccionar 100 recibos para
calcular el ingreso promedio.
5000
• El conteo será de = 50 o sea de 50 en 50.
100
• Se elige un número cualquiera como primer recibo.
Puede ser 2847.
• El segundo elemento será el 2847+50 = 2897
• El tercero 2897+50 = 2947
• El elemento 100 será el 7797.
15
 Muestreo aleatorio
estratificado

Una población se divide en sub-

grupos denominados estratos y se
selecciona al azar una muestra de
cada estrato.
16
Muestreo aleatorio estratificado
• Una población se divide en grupos con ciertas
características.
• Se aplica este método con el fin de garantizar que
cada grupo se encuentre representado en la
muestra.
• A los grupos se les llama estratos.
• Se extrae una muestra de cada estrato con el
método aleatorio simple y se unen en una sola
muestra.
• Ofrece la ventaja de reflejar mayor fidelidad de las
características de la población que los demás
tipos. 17
Ejemplo 8.4 . . .
El departamento de mercadeo de la Corporación MINER
desea conocer la aceptación que podría tener un cambio
de logo de su empresa distribuidora. Actualmente cuenta
con 6 sucursales distribuidas en todo el País y se giran
instrucciones para que cada región tome su lista de
clientes y haga las consultas al 10% de ellos. Cada
sucursal es un estrato que levantará la encuesta en su
región.
Una vez finalizada la encuesta, se enviará a la casa
matriz todas las encuestas para unirlas y formar una sola
muestra.

18
 Muestreo por
conglomerados

La población se divide en conglomerados a

partir de los límites naturales, geográficos o
demográficos. A continuación se seleccionan
los conglomerados al azar y luego se toma la
muestra aleatoria con elementos de cada
grupo.
19
 Muestreo por conglomerados
• Método usualmente elegido para reducir el costo de
muestrear una población dispersa en cierta área
geográfica.
• Se elige el área en la cual se desea hacer el
muestreo.
• Se divide en secciones o regiones.
• Aleatoriamente se eligen unas cuantas regiones.
• Se extrae una muestra de cada región elegida
utilizando el aleatorio simple o el sistemático.
• Se unen todas las sub-muestras para formar la
muestra. 20
Ejemplo 8.5 . . .
La secretaria de Agricultura desea conocer la cantidad de
producción de maíz que se puede esperar para el próximo año.
La Secretaría envía a cada región departamental las encuestas para
que, tomando en cuenta el tamaño de la población de cada
departamento, aplique la encuesta para determinar la cantidad de
sembradío que tiene cada agricultor.
Cada región departamental toma una muestra utilizando el método
aleatorio simple y las envía a la Secretaría de Tegucigalpa para
hacer una sola muestra.

21
Error de muestreo
Herramienta para hacer ajustes en
los resultados de una muestra.

22
 Error de muestreo
La selección de cualquier muestra de determinado
tamaño en una población tiene una probabilidad
conocida; esta constituye otra forma de describir
un método de muestreo sin sesgo.

Aunque la muestra forma parte o es una porción

representativa de la población, es poco probable
que la media de la muestra sea exactamente igual
a la media poblacional.

𝜇 ≠ 𝑋ത 23
 Ejemplo 8.6 . . .
1. Se aplicó una encuesta a los estudiantes de una sección
de la clase de Estadística I para conocer las edades de
este tipo de población. Luego se extrajo una muestra de 10
estudiantes.
Edades de estudiantes
Edades de estudiantes universitarios universitarios
(Población) (Muestra)
37 19 22 31 36 25 39 37 24 18 21 35
32 24 31 31 22 40 35 36 21 33 31 22
26 24 18 31 33 22 39
25 29 35 21 28 21 40
𝜇 = 29.17
35 30 26 23 35 20 36 𝑋ത = 27.8
Error de muestreo = 1.37

Las medias son parecidas; pero, no iguales. 24

Ejemplo 8.6 . . .
2. Si en lugar de la muestra anterior se hubiera elegido
otra (puede ser del mismo tamaño o no), es bien
posible que el error de muestreo sea diferente. Esto
no significa que la muestra no esté bien.
Edades de estudiantes
Edades de estudiantes universitarios universitarios
(Población) (Muestra)
37 19 22 31 36 25 39 39 35 39 40 35
32 24 31 31 22 40 35 32 31 22 40 25
26 24 18 31 33 22 39 𝜇 = 29.17
25 29 35 21 28 21 40
35 30 26 23 35 20 36 𝑋ത = 33.8
Error de muestreo = -4.629
Las medias son parecidas; pero, no iguales.
Distribución muestral
de la media
Distribución de probabilidad de todas las
posibles medias de las muestras de una
determinada población.

26
 Distribución muestral de la
media
Las medias muestrales varían de una a otra
muestra; aunque se haya obtenido de una
misma población.

Si se organizan las medias de todas las

muestras en una distribución de probabilidad,
se obtiene la distribución muestral de la media.

27
Ejemplo 8.7 . . .
Se tiene una población de 10 elementos. Población
5 6
4 8
Recolectar 5 muestras que no sean 3 4
iguales y calcular la media aritmética de 7 6
cada una. 5 8
𝜇 = 5.6

Muestra 1 Muestra 2 Muestra 3 Muestra 4 Muestra 5

5 6 4 8 3 4 7 6 5 8
4 8 3 4 7 6 5 8 5 6
𝑋ത1 = 5.75 𝑋ത2 = 4.75 𝑋ത3 = 5.0 𝑋ത4 = 6.5 𝑋ത5 = 6.0

Las medias son parecidas; pero, no iguales. 28

 Muestras por población
En toda población, existe la posibilidad de
establecer el número de muestras que se
pueden obtener a partir de una población
específica.

Si una población cuenta con n elementos y

se pretende recolectar muestras de tamaño
r, existen nCr formas de realizarlo.

El conjunto de todas las muestras es una

distribución muestral 29
Ejemplo 8.8…

1. En una población de 10 elementos, se va a recolectar

una muestra de 4 elementos.

¿Cuántas muestras diferentes se pueden obtener de la

población?

10! 10!
10 𝐶4 = =
4! 10 − 4 ! 4! 6!
10 𝐶4 = 210

El conjunto de todas las medias es una distribución

muestral
30
Ejemplo 8.8 . . .
2. En la sección de estadística se
realizó una prueba corta en grupo por
valor de10 puntos, los resultados que Grupo NOTA
se obtuvieron se muestran en la 1 7
tabla. Con esta información calcular: 2 7
a) ¿Cuál es la media de la población? 3 8
b) ¿Cuál es el total de muestras que 4 8
se pueden obtener? 5 8
c) ¿Cuál es la distribución muestral 6 10
de las medias para muestras de
tamaño 2?

31
. . . Ejemplo 8.8
a) Media Poblacional
5 + 6 + 6 + 8 + 8 + 10
𝜇= = 7.33 = 7.3
6

b) Tamaño de la distribución muestral de medias

6! 6𝑥5𝑥4! 6𝑥5
6 𝐶2 = = = = 15
2! 6 − 2 ! 2! 4! 2

c) Distribución muestral de la media

La distribución muestral de medias está formada por

15 muestras de 2 elementos cada una.

32
… Ejemplo 8.8
Listado de muestras posibles Distribución muestral de
Muestra Elemento 1 Elemento 2 𝑋ത medias
1 70 70 70
2
3
70
70
80
80
75
75 𝑋ത 𝑋ത
4 70 90 80
70 1 0.0667
5 70 90 80
6 70 80 75 75 4 0.2667
7 70 80 75
8 70 90 80 80 5 0.3333
9 70 90 80
85 4 0.2667
10 80 80 80
11 80 90 85 90 1 0.0667
12 80 90 85
13 80 90 85 Total 15 1.0000
14 80 90 85
15 90 90 90 33
Media de distribución muestral
La media de la distribución muestral de medias,
es la media aritmética de todas las medias
calculadas.
σ 𝑋ത ∗ 𝑗
𝜇𝑋ത =
𝑁
Cada media se multiplica por el número de veces que
se repite en la distribución (Frecuencia) y la suma de
todos los productos se divide entre el total de muestras.

El resultado obtenido se compara con la media

poblacional.
34
Ejemplo 8.9 . . .
A partir de la distribución de medias de una sección de
Estadística I, calcular el aproximado de la media
poblacional

𝑋ത 𝑋ത ∗
1200
70 1 70 𝜇𝑋ത =
15
75 4 300
80 5 400 𝜇𝑋ത = 80
85 4 340 𝜇 = 80
90 1 90
Total 15 1,200
35
Teorema del Límite Central

Si todas las muestras de un tamaño en

particular que se seleccionan en cualquier
distribución muestral de medias se
aproxima a una distribución normal.

Esta aproximación mejora con muestras

grandes.

36
 Teorema del Límite Central

• Si la población tiene una forma sin sesgo, entonces,

en el caso de cualquier tamaño de muestra, la
distribución muestral de las medidas, también será sin
sesgo.
• Si se tiene una población con algún tipo de sesgo,
utilizando más de 30 muestras se podrá generar una
distribución de medias sin sesgo.

• NOTA: Este concepto es útil para el desarrollo de los

temas de Intervalos de confianza y Prueba de
hipótesis.
37
 Teorema del Límite Central
• El cálculo de la Media para la Distribución de Medias
genera un resultado bastante aproximado con relación
a la Media Poblacional.

• Para establecer el error de estas diferencias, se

utiliza una fórmula que recibe el nombre de “error
estándar de la media” que se basa en la desviación
estándar.

𝜇 = 7.33
𝜇𝑋ത = 7.26
38
 𝜎𝑋ത

Error estándar de la
media
El nombre completo de esta medida es
“Desviación estándar de la distribución muestral
de medias”, significa que calcula la desviación
estándar de las medias resultantes en todas las
muestras.
39
 Error estándar de la media
𝜎
𝜎𝑋ത =
𝑛

Cuando se incrementa el número de muestras, el error

estándar de la media se reduce debido a la mejor
aproximación.

40
Ejemplo 8.10 . . .
Scrapper Elevator Co. Tiene 20 ejecutivos de ventas que
distribuyen su producto en Estados Unidos y Canadá. La
cantidad de elevadores vendidos el mes pasado se muestran
en la tabla siguiente:
VENDE- VENTAS VENDE- VENTAS VENDE- VENTAS
DOR DOR DOR
Juan 2 Pedro 3 Raquel 2
Yesenia 3 Marcia 3 Roberto 4
Rebeca 2 Elías 2 Fernando 2
Marvin 7 Francisco 3 Leonardo 4
Antonia 5 Tomás 3 Rubén 3
Esteban 3 Ramiro 3 Teresa 5
Lucrecia 2 Cruz 5 41
Ejemplo 8.10 . . .
Con los datos de la población que corresponde a las ventas
totales de elevadores ejecutar los siguientes cálculos:

a) Calcular la media de la población

b) Calcular la varianza y desviación estándar de la
población
c) Construir una distribución de medias con 5 muestras
elegidas aleatoriamente.
d) Calcular la media de la distribución de medias
e) Calcular el error estándar de la media

42
… Ejemplo 8.10
a) Media Poblacional
σ 𝑥𝑖 66
𝜇= 𝜇= = 3.3
𝑁 20

b) Varianza y desviación estándar Poblacional

σ 𝑥−𝜇 2 34.2
2 2
𝜎 = 𝜎 = = 1.71
𝑁 20

𝜎= 𝜎2 𝜎 = 1.71 = 1.31
43
 𝜇 = 3.3
… Ejemplo 8.10 𝜎 = 1.31
c) 5 muestras aleatorias de 5 elementos (ejecutivos) cada
muestra
Muestra
x1 x2 x3 x4 x5 𝑋ത
#
1 2 3 2 7 5 3.8
2 3 2 7 5 3 4.0
3 2 7 5 3 2 3.8
4 7 5 3 2 3 4.0
5 5 3 2 3 3 3.2
d) Media de la distribución e) Error estándar de la
de medias media
18.8 𝜎 1.31
𝜇𝑋ത = = 3.76 𝜎𝑋ത = = = 0.5848
5 𝑛 5
44
 Uso de la distribución muestral de
las medias

Para utilizar la distribución muestral de medias, se debe

conocer la población; solo es de extraer muestras y asumir
que la distribución seguirá el comportamiento de la
distribución de probabilidad normal con dos condiciones.
 Condiciones

1. Cuando se sabe que las muestras se toman de

poblaciones regidas por la distribución normal,
el tamaño de la muestra no constituye un factor
relevante.
2. Cuando se desconoce la forma de la
distribución de población o se sabe que no es
normal; pero, la muestra contiene por lo menos
30 observaciones, el teorema del límite central
garantiza que la distribución muestral de las
medias sigue una distribución normal.
46
 Valor Z y 𝜎 conocida

Si la desviación estándar de la población

es conocida, el valor de z es el resultado
del cociente entre la variación de la media
aritmética de la muestra y la media de la
población, entre el error estándar.

𝑋ത − 𝜇
𝑧= 𝜎
𝑛
47
 𝑋ത − 𝜇
𝑧= 𝜎
Ejemplo 8.11. . . 𝑛
1. Una población normal tiene una media de 60 y una
desviación estándar de 12. Usted selecciona una muestra
aleatoria de tamaño 9 para calcular la probabilidad de que
la media muestral sea mayor que 63.
63 − 60 3
ത
𝑋 > 63 = 𝑧> = 𝑧>
12 4
9

𝑋ത > 63 = 𝑧 > 0.75

𝑋ത > 63 = 0.5 − 2734
0.2266
𝑋ത > 63 = 0.2266

23% es la probabilidad de que la media sea

mayor que 63. 48
Ejemplo 8.11 . . .
2. Una población normal tiene 75 de media y desviación
estándar de 5. Usted selecciona una muestra aleatoria de
tamaño 40. Calcular la probabilidad de que la media
muestral sea menor que 74.
74 − 75 −1
𝑋ത < 74 = 𝑧< = 𝑧<
5 0.791
40
𝑋ത < 74 = 𝑧 < −1.26
𝑋ത < 74 = 0.5 − 3962
𝑋ത < 74 = 0.1038

10% es la probabilidad de que la media muestral

sea menor que 74. 49
Estimación e Intervalo
de confianza
1. Estimación
2. Intervalo de confianza de media
artimética

50
Estimador puntual

Es un valor deducido de una muestra

para estimar un valor de una
población.

51
Ejemplo 8.12…..
Se elige una muestra de 50 ejecutivos de mandos
intermedios y se le pregunta a cada uno la cantidad de
horas que laboró la semana pasada en el campo.

• Se calcula la media de esta muestra de 50 y se utiliza

el valor de la media muestral como un estimador
puntual de la media poblacional desconocida.

• Un estimador puntual es solamente un valor.

• Aunque se espera que el estimador puntual se

aproxime al parámetro poblacional, es conveniente
medir cuán próximo se encuentra de la realidad.
52
Intervalo de confianza
Es un conjunto de números
deducidos de estimadores
puntuales que se espera que
estimen el parámetro poblacional.

53
 Estimadores puntuales e intervalos de
confianza de una media

1. 𝜇 conocida, 𝜎 conocida.
Estimador puntual: 𝜎
2. 𝜇 desconocida, 𝜎 conocida.
Estimador puntual: 𝜎
3. 𝜇 desconocida, 𝜎 desconocida.
Estimador puntual: 𝑠
4. 𝜋 conocida
Estimador puntual: 𝑝
54
Nivel de confianza
Probabilidad de que la media
poblacional se encuentre en un
rango determinado.

Nivel de
confianza

55
 Intervalo de confianza
Es el rango que indica la mejor aproximación
de la media poblacional a partir de la media
aritmética de la muestra que se haya
recolectado.
Nivel de
confianza

Los intervalos más populares son los calculados

en base a 85%, 90%, 95% y 99% de confianza
56
 Intervalo de confianza
El investigador elige el porcentaje que
determina la confiabilidad de un intervalo;
pero, existen algunas sugerencias según el
tipo de estudio.
 90% para estudios sobre política
 95% para estudios relacionados con el
comportamiento del consumidor.
 99% para productos relacionados con salud
o alimentación. Útil en control de calidad.
57
 Valor de z y nivel de confianza
A partir del nivel de confianza, se ubica el valor de
z que corresponde a través del siguiente proceso:
1. Determinar el nivel de confianza en formato de
probabilidad.
2. Dividir la probabilidad entre 2 para reducirlo al
50% de la distribución de probabilidad.
3. Ubicar en la tabla de probabilidades de la curva
normal el valor más aproximado a la división
calculada.
4. Ubicar en la columna de z y en la línea de
encabezado para formar el valor de z. 58
Ejemplo 8.13…..
Calcular el valor de z para el 95% de
confianza.
1. La probabilidad del 95% es 0.9500
2. Dividir 0.9500 / 2 = 0.4750
3. Ubicar en la tabla de probabilidades de la curva normal
el valor más aproximado a la división calculada.
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767

4. Ubicar la fila que 1.9 y 0.06 en la columna. Sumar

ambos resultados.
𝑧 = 1.9 + 0.06
𝑧 = 1.96 59
Ejemplo 8.13…..
Calcular el valor de z para el 99% de
confianza.
1. La probabilidad del 99% es 0.9900
2. Dividir 0.9900 / 2 = 0.4950
3. Ubicar en la tabla de probabilidades de la curva normal
el valor más aproximado a la división calculada (el
mayor).
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952

4. Ubicar la fila 2.5 y la columna 0.08. Sumar ambos

resultados.
𝑧 = 2.5 + 0.08
𝑧 = 2.58 60
 Intervalo de
confianza
𝜇𝐼𝐶% = 𝑋ത ± 𝑧𝜎𝑋ത

𝜇 conocida
𝜎 conocida 61
Ejemplo 8.14 . . .
Del Monte Foods envasa duraznos en trozos en latas de 4
onzas. Para asegurarse que cada lata contenga por lo menos
la cantidad que se requiere, Del Monte establece que el
proceso de llenado debe verter 4.01 onzas de duraznos y
almíbar en cada lata.

Suponer que la desviación estándar del proceso es de 0.02

onzas y que el proceso se rige por la distribución de
probabilidad normal. Se selecciona una muestra aleatoria de
16 latas; la media de la muestra da como resultado un
promedio de 4.025 onzas de duraznos y almíbar.

𝜇 = 4.01 𝜎 = 0.02 𝑛 = 16 𝑋ത = 4.025

62
. . . Ejemplo 8.14
𝜇 = 4.01 𝜎 = 0.02 𝑛 = 16
𝑋ത = 4.025
Calcular el intervalo de confianza del 95% para determinar
si el proceso se está cumpliendo de acuerdo al estándar
establecido y la media poblacional se mantiene en 4.01.

Datos
𝑋ത = 4.025
𝑧 =?
𝜎𝑋ത =?
63
. . . Ejemplo 8.14
𝜇 = 4.01 𝜎 = 0.02 𝑛 = 16 𝑋ത = 4.025

• Calcular el error estándar

𝜎 0.02
𝜎𝑋ത = = = 0.005
𝑛 16
• Calcular z para nivel de confianza del 95%
0.9500
𝑧95% =
2
z 0.06
𝑧 =? = 0.4750
1.9 0.4750
𝑧 = 1.96

64
. . . Ejemplo 8.14
• Calcular intervalo de confianza 𝑋ത = 4.025
𝜇95% = 4.025 ± 1.96 0.005 𝑧 = 1.96
𝜇95% = 4.025 ± 0.0098 𝜎𝑋ത = 0.005
4.025 − 0.0098 𝜇 = 4.01
𝜇95% =ቊ
4.025 + 0.0098
4.0152
𝜇95% = ቊ
4.0348
4.015
𝜇95% = ቊ
4.035

𝜇
𝑋ത El promedio de lo
envasado según la
4.010 4.015 4.020 4.025 4.030 4.035 muestra es muy alto.
 Intervalo de
confianza
𝜇𝐼𝐶% = 𝑋ത ± 𝑧𝜎𝑋ത

𝜇 desconocida
𝜎 conocida 66
Ejemplo 8.14. . .
Se toma una muestra de 49 observaciones de una
población normal que tiene una desviación estándar de
10. La media aritmética de la muestra es de 55.

Determinar el intervalo de confianza de 99% para la

media poblacional.

𝑛 = 49 𝜎 = 10 𝑋ത = 55

𝜇𝑋ത = 𝑋ത ± 𝑧𝜎𝑋ത

• Calcular el error estándar

𝜎 10 10
𝜎𝑥ҧ = = = = 1.4286
𝑛 49 7 67
Ejemplo 8.14. . . 𝜇𝑋ത = 55 ± 𝑧 1.4286
• Determinar el valor de Z para el 99%
0.9900
𝑧99% = z 0.07 0.08
2 2.5 0.4949 0.4951
𝑧 =? = 0.4950
𝑧 = 2.58
• Calcular el intervalo de confianza
𝜇99% = 55 ± 2.58 1.4286
𝜇99% = 55 ± 3.6857
55 − 3.6857
𝜇99% = ቊ
55 + 3.6857 Existe un 99% de confianza
51.3143 de que la media poblacional
𝜇99% = ቊ
58.6857 está entre 51.31 y 58.69
 Intervalo de
confianza
𝜇𝐼𝐶% = 𝑋ത ± 𝑡𝑠𝑋ത

𝜇 desconocida
𝜎 desconocida 69
 Intervalo de confianza

• No es usual que en los estudios se

conozca la desviación estándar de la
población; por lo que se recurre a la
desviación estándar de la muestra para
estimar los resultados.
• La distribución que aplica en estos casos
es la distribución t de Student que asume
que la distribución en la población es
normal; pero, con muestras pequeñas.
 Intervalo de confianza
• La fórmula para el cálculo del intervalo de
confianza se modifica de la siguiente
manera:
𝑋ത ± 𝑡𝑠𝑋ത

𝑠
𝑠𝑋ത =
𝑛

𝑠
𝜇% = 𝑋ത ± 𝑡
𝑛
 Distribución t
Intervalo de confianza
gl 80% 90% 95% 98% 99% 99.9%
1 3.078 6.314 12.706 31.821 63.657 636.619
2 1.886 2.920 4.303 6.965 9.925 31.599
3 1.638 2.353 3.182 4.541 5.841 12.924
4 1.533 2.132 2.776 3.747 4.604 8.610
5 1.476 2.015 2.571 3.365 4.032 6.869
6 1.440 1.943 2.447 3.143 3.707 5.959
7 1.415 1.895 2.365 2.998 3.499 5.408
8 1.397 1.860 2.306 2.896 3.355 5.041 𝑔𝑙 = 𝑛 − 1
9 1.383 1.833 2.262 2.821 3.250 4.781
10 1.372 1.812 2.228 2.764 3.169 4.587
11 1.363 1.796 2.201 2.718 3.106 4.437
12 1.356 1.782 2.179 2.681 3.055 4.318
13 1.350 1.771 2.160 2.650 3.012 4.221
14 1.345 1.761 2.145 2.624 2.977 4.140
15 1.341 1.753 2.131 2.602 2.947 4.073
16 1.337 1.746 2.120 2.583 2.921 4.015
17 1.333 1.740 2.110 2.567 2.898 3.965
18 1.330 1.734 2.101 2.552 2.878 3.922
19 1.328 1.729 2.093 2.539 2.861 3.883
20 1.325 1.725 2.086 2.528 2.845 3.850
Ejemplo 8.15 . . .
El gerente general del centro comercial Multi-plaza
desea estimar la cantidad de visitantes que se tienen
por día en las primeras tres horas del día. El número
de visitantes que se contaron en los últimos ocho días
fueron los siguientes:

Visitantes de 8 a 11 am
48 42 46 51
24 41 86 54

¿Se puede estimar la cantidad media de visitantes que

tiene el centro comercial con 95% de confianza?

73
. . . Ejemplo 8.15
Visitantes de 8 a 11 am
48 42 46 51
24 41 86 54
• Calcular la media aritmética de la muestra
392
𝑋ത = = 49
8
• Calcular la desviación estándar de la muestra
2146
𝑠= = 306.57 = 17.51
8−1
• Determinar el valor de t para 𝐼𝐶 = 95%
𝑛=8
Intervalo de confianza
𝑔𝑙 = 7 gl 80% 90% 95%
𝑡 = 2.365 7 1.415 1.895 2.365
 𝑠
𝜇% = 𝑋ത ± 𝑡
. . . Ejemplo 8.15 𝑛

• Intervalo de confianza
17.51
𝑋ത = 49 𝜇95% = 49 ± 2.365
𝑠 = 17.51 8
𝑛=8 𝜇95% = 49 ± 2.365 ∗ 6.1907
𝑡 = 2.365 𝜇95% = 49 ± 14.6410
49 − 14.641
𝜇95% =ቊ
49 + 14.641
34.36
𝜇95% =ቊ
63.64
Con 95% de confianza se puede estimar que el promedio
de visitantes el centro comercial en las primeras horas de la
mañana, está entre 34 y 64 personas.
75
 Intervalos de confianza
nominal

Cuando los resultados posibles

solamente son dos.

Éxito o Fracaso

Proporciones 76
 Intervalo de confianza
proporciones

𝑝 1−𝑝
𝑝±𝑧∗
𝑛

𝑋
Proporción de la muestra 𝑝= 77
𝑛
Ejemplo 8.16 . . .
La junta directiva de HSBC considera la propuesta de
fusión con Davivienda. De acuerdo al reglamento, por
lo menos tres cuartas partes de los accionistas deben
aprobar cualquier tipo de fusión.

Una muestra aleatoria de 2,000 accionistas actuales

revela que 1,400 planean votar por la propuesta.

Determinar un intervalo de confianza del 95% para la

proporción poblacional y estimar si será un hecho la
fusión.

78
. . . Ejemplo 8.16
• Tamaño de la muestra 𝑛 = 2,000

• Proporción que planea 1,400

𝑝= = 0.7
votar por la propuesta 2,000

• Nivel de confianza 95% = 0.9500

0.9500
• Valor de z 𝑧 =? = = 0.4750
2
𝑧 = 1.96
• Intervalo de confianza

𝑝 1−𝑝 𝑝 = 0.7
𝑝±𝑧∗
𝑛 𝑧 = 1.96 79
. . .Ejemplo 8.16
0.7 1 − 0.7
𝜋95% = 0.7 ± 1.96 ∗
2000

0.21
𝜋95% = 0.7 ± 1.96 ∗
2000
𝜋95% = 0.7 ± 1.96 0.10247 = 0.7 ± 0.0244
0.7 − 0.0244
𝜋95% = ቊ
0.7 + 0.0244
0.6756
𝜋95% = ቊ
0.7244

Con un 95% de confianza se puede estimar que entre el

68% y el 72% votarán a favor de la propuesta. 80
Tamaño de una
muestra
Distribución normal
 Elección del tamaño de la muestra

› Un aspecto importante cuando se trabaja con

intervalos de confianza es el tamaño de la
muestra

› Consideraciones para su elección

› Margen de error que tolerará el investigador
› Nivel de confianza deseado
› Variabilidad o dispersión de la población que
se estudia
Elección del tamaño de la muestra

› Población muy dispersa, muestra

muy grande.

› Población muy densa u

homogénea, muestra más pequeña
 Margen de error
• Valor que se le suma y resta al
intervalo de confianza para calcular
la media poblacional.

• Margen de error se denota por E

𝐸 = 𝑧𝜎𝑋ത

𝜇 = 𝑋ത ± 𝐸
 Tamaño de muestra
𝑧𝜎 2
𝑛=
𝐸

• n : Tamaño de la muestra
• z : Valor z del nivel de confianza
• σ : Desviación estándar
• E : Margen de error
 𝑧𝜎 2
Ejemplo 8.17 . . . 𝑛=
𝐸
1. Para una población con desviación estándar de 10;
estimar la media de la población con un error
máximo admisible de 2 unidades, con un nivel de
confianza de 95%.

¿De qué tamaño debe ser la muestra?

2
𝜎 = 10 1.96 ∗ 10
𝑛=
E=2 2
IC = 95% 𝑧 = 1.96 𝑛 = 96.04

Se requiere una muestra de 97 personas para satisfacer las

especificaciones.
 𝑧𝜎 2
. . . Ejemplo 8.17 𝑛=
𝐸
2. El gerente general espera un informe el promedio de
ventas del nuevo producto, durante el año y ha girado
instrucciones que el error de la media deber ser inferior a
L.100 con un nivel de confianza de 95%. Se utilizó un
informe del año anterior que indica que la desviación
estándar de la población es de L.1000.

a. ¿Cuál es el tamaño de muestra que se requiere?

b. ¿Y si pidiera la muestra con 99% de confiabilidad?
𝐸 = 100 0.9500
𝜎 = 100 𝑧 =? =
2
0.9900
𝑧 =? =
2
 𝑧𝜎 2
. . . Ejemplo 8.17 𝑛=
𝐸
a.- Tamaño de la muestra
0.9500
𝑧 =? = = 0.4750
2
𝑧 =? = 0.4750 𝑧 = 1.96
𝐸 = 100
𝜎 = 100
2
1.96 ∗ 1000 2
𝑛= = 19.6 = 384.16
100

𝑛 = 384.16
Se requiere una muestra de 385 facturas para satisfacer
las especificaciones del gerente.
 𝑧𝜎 2
. . . Ejemplo 8.17 𝑛=
𝐸
b.- Tamaño de la muestra para 99% de confiabilidad
0.9900
𝑧 =? = = 0.4950
2
𝑧 =? = 0.4950 𝑧 = 2.58
𝐸 = 100
𝜎 = 100
2
2.58 ∗ 1000 2
𝑛= = 25.8 = 665.64
100

𝑛 = 665.64
Se requeriría muestra de 666 facturas para satisfacer
las una especificaciones del gerente.
Tamaño de una
muestra
Proporción de una población
 Elección del tamaño de la muestra

Consideraciones
› Margen de error que tolerará el
investigador
› Nivel de confianza deseado
› Variabilidad o dispersión de la
población que se estudia

Si no existe una proporción

confiable se utiliza 0.5
 Margen de error
• Intervalo de confianza
𝜇 =𝑝±𝐸

• Margen de error
𝑝 1−𝑝
𝐸 =𝑧∗
𝑛

𝜋 1−𝜋
𝐸 =𝑧∗
𝑛
 Tamaño de muestra
𝑝=𝜋

𝑧 2
𝑛 =𝑝 1−𝑝
𝐸

• n : Tamaño de la muestra
• z : Valor z del nivel de confianza
• p : Proporción de la población
• E : Margen de error
Ejemplo 8.18 . . .
Encuestas anteriores revelan que 30% de los turistas que
van a Las Vegas a jugar durante el fin de semana gasta
más de $1 000. La gerencia desea actualizar este
porcentaje.

En en nuevo estudio se utilizará el nivel de confianza de

90% y el estimador estará a menos de 1% de la proporción
de la población.

¿Cuál es el tamaño que se requiere para la muestra?

𝑝 = 0.3 0.9000
𝑧 =? = = 0.4500
𝐸 = 0.01 2
 𝑧 2
Ejemplo 8.18. . . 𝑛 =𝑝 1−𝑝
𝐸
𝑝 = 0.3
0.9000
𝑧 =? = = 0.4500 𝑧 = 1.65
2
z 0.00 0.01 0.02 0.03 0.04 0.05

1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505

2
1.65
𝑛 = 0.3 1 − 0.3 = 0.3 0.7 27225
0.01
𝑛 = 5717.25

Se requiere una muestra de 5718 turistas para tener

un 90% de confiabilidad en los resultados.
• Elegir un elemento de muestreo
aleatorio.
• Distribución muestral de la media
• Intervalo de confianza sigma
conocido
• Intervalo de confianza proporción
• Tamaño de una muestra
 Para más información leer la página web
www.lbanegas.com
𝐵𝑖𝑏𝑙𝑖𝑜𝑔𝑟𝑎𝑓í𝑎
Lind, D.A., Marchal, W.G., Wathen, S.A. (15). (2012). Estadística Aplicada a los
Negocios y la Economía. México: McGrawHill

David M. Levine, Timothy C. Krehbiel, Mark L. Berenson. 2006. Estadística para

Administración. (4° edición). Naucalpan de Juárez, México.: Pearson Prentice Hall
98