Vous êtes sur la page 1sur 7

MUESTREO.

Se le denomina a la forma de obtener la muestra. Evidentemente la forma de obtener la muestra es fundamental para extraer conclusiones validas.

Muestreo

Poblacin Muestra x1,x2, x3, x4.

Inferencia
La distribucin de probabilidad de un estadstico en general y de un parmetro muestral en particular, se le llama distribucin en el muestreo.

TIPOS DE MUESTREO.
Existen dos mtodos para seleccionar muestras de poblaciones: el muestreo no aleatorio o de juicio y el muestreo aleatorio o de probabilidad. En el muestreo de probabilidad, todos los elementos de la poblacin tienen la oportunidad de ser escogidos en la muestra. En el muestreo de juicio, se emplea el conocimiento y la opinin personal para identificar aquellos elementos de la poblacin que deben incluirse en la muestra. Una muestra seleccionada por muestreo de juicio se basa en la experiencia de alguien con la poblacin. Un guardabosque, por ejemplo, tendra una muestra de juicio si decidiera con anticipacin las zonas de una gran rea arbolada que

recorrera para estimar los metros de tabla totales de madera que podran cortarse. Algunas veces una muestra de juicio se usa como gua o muestra tentativa para decidir como tomar una muestra aleatoria ms adelante. Las muestras de juicio evitan el anlisis estadstico necesario para obtener muestras de probabilidad. Son ms convenientes y pueden usarse con xito incluso si no podemos medir su validez. Pero si un estudio emplea el muestreo de juicio y pierde un grado importante de representatividad, habr adquirido conveniencia a un precio demasiado alto. EVIDENCIA ESTADISTICA Y MUETRAS SESGADAS. La respuesta es que si una informacin ms completa o una reputacin anterior de encuestas precisas estadsticamente, no podemos estar seguros; sin embargo, podemos estar consientes de los riesgos que corremos cuando no pedimos informacin adicional.

MUESTREO ALEATORIO.
En una muestra aleatoria o de probabilidad, conocemos las posibilidades de que un elemento de la poblacin total tenga una oportunidad de ser incluido en la muestra y por ello se puede determinar y describir matemticamente que tan objetivas son nuestras estimaciones de las caractersticas de la poblacin que resultan de nuestras muestras a continuacin se presentan cuatro mtodos de muestreo aleatorio: 1. MUESTREO ALEATORIO SIMPLE. 2. MUESTREO SISTEMATICO. 3. MUESTREO ESTRATIFICADO. 4. MUESTREO POR CONGLOMERACION. MUESTREO ALEATORIO SIMPLE. Selecciona muestras mediante mtodos que permiten que cada posible muestra tenga una igual probabilidad de ser seleccionada y que cada elemento de la poblacin total tenga una oportunidad de ser incluido en la muestra. Cabe

mencionar que se deben utilizar parmetros para facilitar el mtodo de seleccin dos de estos serian. FINITO. Nos referimos a que la poblacin tiene un tamao establecido o

limitado, es decir existe un nmero entero (N) que nos dicen cuantos elementos hay en la poblacin. Ciertamente si muestreamos sin remplazar pronto agotaremos nuestro pequeo grupo de poblacin y si muestreamos con remplazo (si sustituimos el elemento muestreado inmediatamente despus de haber sido escogido y antes de elegir el segundo elemento), el mismo elemento podra aparecer dos veces en la muestra. INFINITO. Una poblacin infinita es aquella en la que es tericamente imposible observar todos los elementos sin embargo con recursos y tiempo ilimitado se lograra enumerar cualquier poblacin y el termino poblacin infinita tratara de una poblacin que no podra enumerarse en un intervalo razonable. Como hacer un muestreo aleatorio: la forma ms fcil de seleccionar una muestra de manera aleatoria es mediante el uso de nmeros aleatorios. Estos nmeros se pueden llenar mediante un software o tabla previamente elaborada que se llama tabla de dgitos aleatorios o mediante el uso de un pedazo de papel.

MUESTREO SISTEMATICO.
Los elementos son seleccionados de la poblacin dentro de un intervalo uniforme que se mide con respecto al tiempo, el orden o al espacio. El muestreo sistemtico difiere del muestreo aleatorio simple en que cada elemento tiene igual oportunidad de ser seleccionado, pero cada muestra no tiene una posibilidad igual de ser seleccionada. En el muestreo sistemtico existe el problema de introducir un error en el proceso de muestreo, este mtodo puede requerir menos tiempo y algunas veces tiene como resultado un costo menor que el mtodo de muestreo aleatorio simple.

MUESTREO ESTRATIFICADO.
Dividimos la poblacin en grupos relativamente homogneos, llamados estratos. Despus utilizamos uno de los dos planteamientos o bien seleccionamos aleatoriamente de cada estrato un numero especifico de elementos

correspondientes a la fraccin de ese estrato en la poblacin como un todo o extraemos un nmero igual de elementos de cada estrato y damos peso a los resultados de acuerdo con la porcin del estrato con respecto a la poblacin total. Este mtodo resulta apropiado cuando la poblacin ya est dividida en grupos de diferentes tamaos y deseamos tomar en cuenta este hecho la ventaja de las muestras estratificadas es que, cuando se disean adecuadamente, reflejan de manera ms precisa la caracterstica de la poblacin de la cual fueron elegidas, en comparacin con oro tipo de muestras.

MUESTREO POR CONGLOMERACIN.


Se emplea frecuentemente para reducir el costo de muestrear una poblacin dispersa en un rea geogrfica grande. Por ejemplo si se desea efectuar un reconocimiento para determinar los puntos de vista de industriales respecto a las polticas federales referentes a la proteccin del medio ambiente. Si se selecciona una muestra aleatoria de industriales y personal mente se comunicara con cada uno, ello llevara mucho tiempo y sera sumamente costoso. Emplear el muestreo por conglomeracin subdivide una regin extensa en reas menores. Con frecuencia se denomina a estas unidades primarias. Supongamos que se divide en doce unidades primarias se eligen cuatro al azar y se concentra el esfuerzo en ellas. Se puede considerar como una combinacin entre el muestreo por conglomeracin y muestreo aleatorio simple.

TEOREMA DE LMITE CENTRAL.


Este teorema establece que, para muestras aleatorias grandes, la forma de la distribucin de las medias mustrales se acerca a la de la distribucin del tipo normal. La aproximacin es ms exacta para muestras grandes que para pequeas. Se puede razonar acerca de la distribucin de las medias mustrales sin contar con alguna informacin respecto de la forma de la distribucin original de la cual se toma la muestra y por lo tanto se considera que el teorema de limite central es cierto para todas las distribuciones. Teorema de lmite central. Si se selecciona de cualquier poblacin todas las muestras de un tamao determinado, la distribucin de las medias mustrales se acerca a una del tipo normal. Esta aproximacin aumenta en el caso de muestras ms grandes.

Si la poblacin est distribuida normalmente, entonces, para cualquier tamao de muestra, la distribucin de la media muestral tambin lo estar. Si la distribucin de la poblacin es simtrica (pero no normal), se ver surgir la forma normal del teorema de lmite central, con muestras tan pequeas como 10. Por otra parte si se comienza con una distribucin que es sesgada o tiene extremos gruesos, es posible que se necesiten muestras de al menos 30 para observar el aspecto de normalidad. De acuerdo a esto, al determinar las probabilidades relativas a x, el valor normal estndar Z se expresa de la siguiente forma:

Esto es, la puntuacin Z se expresa como la diferencia entre las medias mustrales y la poblacin, en trminos del error tpico. 1. La media de

es igual a la media de ; esto es, es igual a la desviacin tpica de la poblacin dividida

2. El error tpico de

entre la raz cuadrada de n; esto es.

3. La distribucin muestral es casi normal, independientemente del patrn de la distribucin de la poblacin.

ALUMNO: GERARDO TMAS TELLEZ MALDONADO

PROFESOR: ING. CARLOS ORDAZ RIVERA MUESTREO Y TEOREMA DE LIMITE CENTRAL

CARRERA: PROCESOS INDUSTRIALES AREA MANUFACTURA. 2 CUATRIMESTRE GRUPO A