Tema 58 Oposiciones Secundaria Matemáticas

Tema 58
Educacin Secundaria
magister
MATEMTICAS
POBLACIN Y MUESTRA. CONDICIONES DE REPRESENTATIVIDAD DE UNA
MUESTRA. TIPO DE MUESTREO. TAMAO DE UNA MUESTRA.
1. INTRODUCCIN
1.1. Localizacin
1.2. Objetivos y contenidos.
1.3. Indicaciones
2. CONSIDERACIONES GENERALES ACERCA DE LA ESTADSTICA.
2.1. Breve resea histrica acerca de la Estadstica.
2.2. Definicin de Estadstica. Fenmenos aleatorios.
3. POBLACIN, INDIVIDUO Y MUESTRA ALEATORIA DE UN FENMENO
ALEATORIO.
3.1. Poblacin e individuo de un fenmeno aleatorio.
3.2. Censo y marco de un fenmeno aleatorio.
3.3. Concepto de muestreo. Muestra y tamao muestral. Muestra representativa. Encuesta y
sesgos.
4. TIPOS DE MUESTREO.
4.1. Muestreo aleatorio o probabilstico.
4.2. Muestreo no aleatorio o no probabilstico.
5. ESTUDIO DE PARMETROS EN POBLACIONES Y MUESTRAS.
5.1. Media, varianza y desviacin tpica poblacional.
5.2. Muestra aleatoria simple.
5.3. Definicin de estimadores. Media, varianza y cuaivarianza muestral.
5.4. Propiedades de la media muestral.
5.5. Propiedades de la varianza y cuasi varianza muestral.
5.6. Relacin entre la media muestral y poblacional: La ley de los grandes nmeros.
5.7. El teorema central del lmite. Estimacin de la media poblacional a partir de intervalos de
confianza para tamaos muestrales elevados.
5.8. El concepto de valor esperado o esperanza matemtica
BIBLIOGRAFA
ESQUEMA RESUMEN
CUESTIONES
MELC S.A.
MAGISTER OPOSICIONES
MELC S.A.
MATEMTICAS. Tema 58
1. INTRODUCCIN
1.1. Localizacin
Este es un tema del bloque de Estadstica y Teora de Probabilidades que incluye bsicamente
los temas del 57 al 68 del temario. El tema que nos ocupa pertenece a la parte del bloque
dedicada a la estadstica.
En el pueden distinguirse varias partes:
Aspectos generales de la Estadstica y sus aplicaciones.

Teora del muestreo.
Teora de la probabilidad.
Inferencia Estadstica.
1.2. Objetivos y contenidos

Los objetivos especficos del tema son:
1. Exponer los aspectos bsicos de la teora del muestreo aleatorio.
2. Introducir los parmetros caractersticos de poblaciones y muestras.
3. Enunciar e interpretar la ley de los grandes nmeros y el teorema central del lmite.
4. Describir la influencia del tamao muestral en la estimacin de parmetros de la
poblacin a travs del anlisis de muestras.
El tema comienza con una descripcin del origen de la Estadstica como ciencia y su relacin
con otras ciencias.
En la seccin siguiente se aborda el concepto de poblacin, muestra y tamao muestral
haciendo distinciones y marcando las caractersticas fundamentales. Se introduce igualmente la
definicin de censo y marco as como la de muestreo y muestra representativa.
En la cuarta seccin se abordan los tipos bsicos de muestreo dividiendo primariamente en
aleatorios o no aleatorios dando condiciones de aleatoriedad. Se describen, estudian las
ventajas y sesgos que pueden tener cada uno de los modelos sean o no aleatorios.
En la ltima seccin se dan las definiciones de los parmetros fundamentales de una poblacin
y una muestra: media y desviacin tpica. A continuacin se desarrolla brevemente la teora
inferencial suficiente para introducir dos resultados fundamentales que relacionan a la media
poblacional y la media muestral: la ley de los grandes nmeros y el teorema central del lmite.
Se dan aplicaciones para la inferencia de la media poblacional a partir de la muestral mediante
intervalos de confianza y en este mismo sentido, se observa la acotacin mnima para el
tamao muestral con una confianza determinada.
2
www.magister.es
MATEMTICAS. Tema 58
1.3.
MELC S.A.
Indicaciones
La estructura global del tema es en resumen la siguiente:
Concepto de estadstica y fenmeno aleatorio.

Poblacin, muestra y tamao muestral
Concepto de muestreo y consideraciones sobre la representatividad de la muestra.
Tipos de muestreo.
Parmetros fundamentales de poblaciones y muestras: media y desviacin tpica.
Ley de los grandes nmeros
Teorema fundamental del lmite.
Aplicaciones para el clculo de la media poblacional a travs de la media muestral.
No hacemos ninguna demostracin extensa, aunque se incluyen diversas demostraciones cortas

de propiedades. Los requisitos para abordar el estudio del tema son fundamentalmente los
conceptos bsicos de estadstica y probabilidad .
Para una exposicin de dos horas de duracin podra seguirse la siguiente estrategia:
1. Situar el tema dentro del temario e indicar sus relaciones con otros temas. Indicar los
objetivos. Escribir en la pizarra el orden de la exposicin sin demasiados detalles.
2. Explicar la doble vertiente histrica que da lugar a la Estadstica y algunos de sus
matemticos ms importantes.
3. Dar una definicin de Estadstica.
4. Caracterizar lo que es un fenmeno aleatorio y determinista.
5. Definir el concepto de poblacin e individuo de un fenmeno aleatorio.
6. Definir censo y marco de un fenmeno aleatorio.
7. Definir el concepto de muestreo.
8. Introducir la definicin de muestra y tamao muestral.
9. Dar una explicacin sobre lo que se considera muestra representativa.
10. Definir encuesta y el error de muestreo o sesgo.
11. Dar las caractersticas del muestreo aleatorio o probabilstico.
12. Dar los seis ejemplos bsicos de muestreo aleatorio con sus ventajas y sesgos.
13. Dar las caractersticas del muestreo no aleatorio o no probabilstico.
14. Dar los seis ejemplos bsicos de muestreo no aleatorio con sus ventajas y sesgos.
15. Definir la media, varianza y desviacin tpica poblacional.
16. Introducir el concepto de muestra aleatoria simple a partir de una variable aleatoria.
17. Dar brevemente la definicin de estimador y la definicin de estimador insesgado y
consistente.
18. Dar como ejemplos de estimadores la media, varianza y cuaivarianza muestral.
19. Enunciar las propiedades de la media muestral.
20. Enunciar las propiedades de la varianza y cuasi varianza muestral.
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
21. Introducir y demostrar la ley de los grandes nmeros. Explicar su importancia en relacin a
la media muestral y poblacional para muestras grandes.
22. Enunciar el teorema central del lmite y aplicar para la estimacin de la media poblacional
mediante intervalos de confianza para tamaos muestrales elevados.
23. Explicar el concepto de valor esperado o esperanza matemtica
Para la realizacin de una prueba escrita podr elaborarse un esquema similar al anterior. Sin
embargo dado que en general no ser posible desarrollar los contenidos con igual amplitud son
aconsejables las siguientes modificaciones:
Escribir el ttulo del tema destacado del resto al comienzo de la primera hoja del ejercicio.
Dividir el ejercicio en secciones en una forma similar a la que empleamos en el texto.
A continuacin del ttulo comenzar con la seccin de introduccin. En esa seccin
comenzar describiendo con brevedad la situacin del tema dentro del temario.
Dejar un espacio libre a continuacin para completar la introduccin al final del resto del
ejercicio. En ese espacio comentaremos finalmente, tambin con brevedad, los contenidos
que incluimos del tema.
Desarrollar el tema diferenciando claramente definiciones, listas de propiedades, teoremas
y comentarios generales.
Si no se recuerda con exactitud una demostracin (que se considere importante para el
desarrollo del tema) deberan incluirse algunos comentarios sobre el enunciado, y uno o
dos ejemplos ilustrativos.
Como norma general podra ser til a la hora de realizar el examen escrito empezar cada
seccin en una nueva hoja. De esta forma si hemos eliminado partes del desarrollo del tema
ser posible, si disponemos de tiempo, completar algunos aspectos antes de entregar el
ejercicio.
Otro aspecto muy importante en el ejercicio escrito es la presentacin. Sera recomendable
numerar los grficos y las tablas que se realicen (para poder referirnos a ellos en el texto) y
situarlos siempre al mismo lado de la hoja. Dentro de las posibilidades de cada cual, sera
tambin recomendable cuidar la escritura (letra clara, lneas de escritura ms o menos
paralelas, . . . ,etc.)
2.
CONCEPTOS BSICOS SOBRE LA ESTADSTICA.
2.1. Breve resea histrica acerca de la Estadstica.

En nuestros das los mtodos estadsticos ocupan un lugar prominente en las distintas ciencias
tanto naturales como sociales y constituyen una de las herramientas ms utilizadas y apreciadas
por los investigadores. La estadstica actual es el resultado de la confluencia de dos disciplinas
que evolucionaron independientemente hasta unirse en un cuerpo comn hacia el siglo XIX:
4
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
El clculo de probabilidades que nace en el siglo XVII como teora matemtica de los
juegos de azar (dados, barajas, lotera, etc.).
La "estadstica" (o ciencia del estado, del latn Status) que estudia la descripcin de datos y
tiene races muy antiguas (los primeros censos conocidos se remontan a los chinos,
realizados 2.000 aos a.J.C.).
La integracin de ambas lneas de investigacin ha dado lugar a una ciencia experimental

interdisciplinar basada en el empleo de modelos matemticos propios. La estadstica
proporciona tambin una metodologa para evaluar y juzgar las discrepancias de sus modelos
respecto de la realidad.
Los primeros resultados de la estadstica matemtica se encuentran en los escritos de Bernoulli,
Laplace y Poisson.
Los orgenes de la estadstica inferencial estn ligados a la teora de errores y al mtodo de
ajuste por mnimos cuadrados (Gauss y Markov). La teora moderna del muestreo, la
estimacin y el contraste de hiptesis se debe a la escuela anglo-americana (Fisher, Pearson y
Neyman).
La estadstica es, aparte de un importante objeto de estudio como parte de las matemticas, una
de las ms importantes herramientas de las ciencias aplicadas y de la tcnica. Los datos
numricos son la informacin ms habitual que extraemos del mundo que nos rodea y la
estadstica se utiliza siempre que es necesario analizar datos como, por ejemplo, en las ciencias
de la naturaleza como la fsica, la qumica, la biologa, economa, sociologa o medicina.
2.2. Definicin de Estadstica. Fenmenos aleatorios.
Definicin de estadstica: Podemos definir la estadstica como la ciencia de los datos, de la
generacin de datos interesantes, de su descripcin de forma clara y til, y de su interpretacin
para obtener conclusiones vlidas sobre fenmenos aleatorios.
La estadstica estudia por tanto fenmenos aleatorios o de azar que se pueden definir como
aquellos experimentos caracterizados por las dos propiedades siguientes:
Presentan notables variaciones en los efectos, de modo que resulta imposible predecir el
resultado de una experiencia particular.
Todos los posibles resultados se conocen de antemano.
Se verifica la ley de la estabilidad de las frecuencias que enuncia:
Si se repite el experimento indefinidamente, la frecuencia relativa con la que se
presenta un suceso cualquiera de ese experimento tiende a estabilizarse a medida que
aumenta el nmero de repeticiones del mismo.
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
Los fenmenos que no son aleatorios se denominan fenmenos deterministas.

Ejemplos de fenmeno aleatorio son el sondeo de intencin de voto en unas elecciones,
mientras que ejemplo de un fenmeno determinista es el clculo de la velocidad de un mvil en
el vaco.
3.
POBLACIN, INDIVIDUO Y MUESTRA ALEATORIA DE UN FENMENO

ALEATORIO.
3.1.
Poblacin e individuo de un fenmeno aleatorio.
Dado un fenmeno aleatorio que se pretende investigar, debemos caracterizar inicialmente

dnde y cuntos son los elementos que presentan tal fenmeno. Para ello definimos individuo y
poblacin.
Definicin de individuo de un fenmeno aleatorio: Los fenmenos aleatorios se estudian
sobre elementos concretos que llamaremos individuos. As pues, entendemos por individuo a
cada uno de los elementos donde se presenta el fenmeno aleatorio.
Ejemplo: Cada una de las personas con posibilidad de votar en unas elecciones bajo el
fenmeno aleatorio Intencin de voto.
Definicin de poblacin de un fenmeno aleatorio: Llamamos poblacin al conjunto, finito
o infinito, de todos los individuos o sistemas bajo el influjo del fenmeno aleatorio. La
definicin de lo que constituye la poblacin depende del experimentador y de la naturaleza del
fenmeno en estudio.
Ejemplo: El conjunto formado por todas las personas que tienen posibilidad de votar en unas
elecciones bajo el fenmeno aleatorio Intencin de voto.
Se distinguen los siguientes tipos de poblaciones:
Poblacin objetivo o terica: Est formada por todos los individuos bajo el influjo del
fenmeno aleatorio.
Poblacin disponible: Es la que resulta tras la depuracin de los individuos de la

poblacin objetiva no accesibles a priori. Sin embargo, esta no es la poblacin final que
manejaremos en muchos casos puesto que pueden existir factores que no conocemos que
hagan inaccesibles a otros individuos a priori accesibles.
Poblacin investigada: Es la parte realmente accesible de la disponible.
6
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.

Para el estudio del fenmeno aleatorio sobre una poblacin, es necesario inicialmente
contrastar el resultado de dicho fenmeno en cada individuo de alguna de las poblaciones
definidas anteriormente. A este procedimiento lo denominaremos censo o marco.
Definicin de Censo: Es el estudio del fenmeno aleatorio en todos los elementos de la

poblacin objetivo.
Definicin de marco: Es el estudio del fenmeno, cuando se realiza sobre el total de la

poblacin disponible o investigada, y no sobre la poblacin objetivo.
En muchas ocasiones, no es posible realizar un censo o marco por muy diferentes motivos, y
entre otros:
El estudio puede deteriorar el sistema. Por ejemplo, la medida de la resistencia de una

pieza industrial o la resistencia ante el impacto de un vehculo. Pensemos tambin en el
estudio del efecto de una sustancia medicinal en cada individuo. No podemos correr riesgos
ni destruir el sistema o individuo de la poblacin.
Es inviable desde un punto de vista econmico. El estudio de todos los individuos de una
poblacin, en tamaos grandes, puede constituir un problema costoso en tiempo, dinero,
etc. Que no estamos dispuestos a admitir.
Es inviable desde un punto de vista prctico: Puede ocurrir que a poblacin sea infinita o
tan numerosa que excede las posibilidades del estudio.
3.3. Concepto de muestreo. Muestra y

Encuesta y sesgos.
tamao muestral. Muestra representativa.
En las situaciones donde no es posible realizar un estudio del influjo del fenmeno aleatorio
mediante censos o marcos, se aplica la teora de muestreo.
Definicin de Muestreo: La teora del muestreo es la encargada de determinar la forma de
elegir y las condiciones que debe cumplir un subconjunto de la poblacin bajo el influjo de un
fenmeno aleatorio, que denominamos muestra, para que su estudio permita hacer inferencias
correctas sobre dicha poblacin.
En estas condiciones definimos muestra en los siguientes trminos:
Definicin de muestra y tamao muestral en un fenmeno aleatorio: Llamaremos muestra
de una poblacin al conjunto de individuos que elegimos en la poblacin para el estudio del
fenmeno aleatorio. Al nmero de individuos elegidos se denomina tamao de la muestra.
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
Definicin de muestra representativa: Es aquella muestra que logra una versin simplificada
de la poblacin, y reproduce, de algn modo, el mismo comportamiento y caractersticas ante
el fenmeno aleatorio que esta pero a pequea escala y tal que su estudio sea viable.
La recogida de los datos sobre los individuos de un censo o muestra se llama encuesta.
Es evidente que todo proceso de muestreo lleva asociado un error, debido a la obtencin de
conclusiones respecto de valoraciones sobre una muestra y no sobre el total de la misma. A
esto se denomina error o sesgo del muestreo.
Por otra parte, llamaremos falacia a las inferencias o conclusiones errneas que podamos
realizar a partir de una muestra respecto del estudio de un fenmeno aleatorio sobre una
determinada poblacin. La teora del muestreo trata de impedir y minimizar la aparicin de
falacias aunque pueden llegar a presentarse incluso con muestras representativas, si las
condiciones de estudio no son las adecuadas o estn sesgadas intencionadamente.
4.
TIPOS DE MUESTREO.
Existen diferentes criterios de clasificacin de los diferentes tipos de muestreo, aunque en

general pueden dividirse en dos grandes grupos:
4.1.
Muestreo aleatorio o probabilstico

Muestreo no aleatorio o probabilstico.
Muestreo aleatorio o probabilstico.
Definicin de muestreo o muestra aleatorio: Es aquella muestra que se toma en condiciones

de aleatoriedad. La condicin de aleatoriedad en esta definicin viene determinada por un
proceso de seleccin de los individuos que debe verificar cuanto menos los siguientes
requisitos:
Cada individuo de la poblacin tiene la misma probabilidad de ser elegido en la

extraccin de cada muestra.
La poblacin es la misma ante cada extraccin de una muestra.
Las consecuencias de la aleatoriedad en cada muestra garantiza la representatividad de la

misma respecto de la poblacin estudiada ya que,
Elimina influencia subjetiva del experimentador en el proceso de seleccin.

Compensa la influencia de factores desconocidos relevantes que pueden estar variando
en el transcurso del experimento.
Permite el anlisis estadstico de los resultados mediante la teora de la probabilidad.
8
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
Por lo tanto, el muestreo aleatorio asegura la representatividad de la muestra extrada.

Aunque la aleatoriedad absoluta en cada muestra es muy complicada de obtener, en la prctica
existen forma tiles para buscar muestras aleatorias, como por ejemplo:
1. Muestreo aleatorio mediante nmeros aleatorios.
Una tabla de nmeros aleatorios es un conjunto ordenado de dgitos generado de tal forma que
cada dgito 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 tiene la misma probabilidad de aparecer en cada lugar del
conjunto.
Las calculadoras y los ordenadores poseen programas sencillos para generar tablas de nmeros
aleatorios. De forma rudimentaria, podemos generar una tabla de nmeros aleatorios poniendo
en una bolsa diez etiquetas con los diez dgitos y sacndolas una a una con reposicin.
Para crear una muestra aleatoria de tamao n con una tabla de nmeros aleatorios se procede
de la forma siguiente:
o Se asigna una etiqueta numrica con la misma longitud a cada elemento de la poblacin. Si
hay 100 elementos empezaramos con 00 y acabaramos en 99. Si hay 1000 elementos
tendramos que empezar con el 000 y acabar con el 999.
o Se elige un lugar cualquiera en al tabla de nmeros aleatorios y a partir de ese lugar se
forman etiquetas numricas del mismo tamao que el usado en el paso anterior. Se
eliminan aquellas etiquetas que no corresponden a ningn elemento de la poblacin, y
tambin aquellas que se repiten. Los elementos de la poblacin que corresponden a las n
primeras etiquetas formadas admisibles constituyen la muestra aleatoriamente extrada.
Entre las ventajas de este tipo de muestreo aleatorio destacamos:
Sencillo y fcil de realizar.

Clculo rpido de medias y varianzas.
Se basa en la teora estadstica, y por tanto existen paquetes informticos para analizar los
datos
Entre sus inconvenientes:
Requiere que se posea de antemano un listado completo de toda la poblacin.

Cuando se trabaja con muestras pequeas es posible que no represente a la poblacin
adecuadamente y se genera sesgo.
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
2. Muestreo aleatorio sistemtico.

Si los elementos de la poblacin estn ordenados en una lista elaborada al azar con un nmero
de individuos N y se desea extraer una muestra de tamao n (n N), se puede proceder en la
forma siguiente: Se divide la poblacin en n subconjuntos de los que se extraen un elemento de
cada uno de ellos. El modo de proceder para la seleccin de un elemento de cada conjunto es el
siguiente: primero se determina el entero k ms prximo al cociente N / n. Despus se elige al
azar un elemento n1 de los k primeros de la lista y, por ltimo, se van tomando sucesivamente
los elementos n1 + k, n1 + 2k hasta n1 + (n 1)k.
Sencillo y fcil comprensin.

Se basa en la teora estadstica, y por tanto existen paquetes informticos para analizar los
datos
No siempre es necesario tener un listado de toda la poblacin sino slo fragmentado.
Cuando la poblacin est ordenada siguiendo una tendencia conocida, asegura una
representacin de cada subconjunto.
Si la constante de muestreo k guarda relacin o depende del fenmeno o incluso el modo

de orden de la muestra est relacionado, la muestra puede contener sesgo de seleccin
3. Muestreo aleatorio estratificado.

Divide a la poblacin en estratos mediante caractersticas de homogeneidad de individuos de la
poblacin (sexo, profesin, edad, lugar de residencia, etc.). En ese sentido se trata de que todas
las caractersticas de los individuos de la poblacin estn representadas en la muestra. Dentro
de cada estrato, se funciona de manera independiente y se aplica nuevas estratificaciones o se
realiza un muestreo aleatorio de otra clase.
La distribucin de la muestra en funcin de los diferentes estratos se denomina afijacin, y
puede ser de diferentes tipos:
Afijacin Simple: Cada estrato tiene el mismo nmero de individuos.

Afijacin Proporcional: Cada estrato tiene la proporcin correcta respecto a la de
aparicin de la caracterstica en la poblacin.
Afijacin ptima: Cada estrato tiene la proporcin y dispersin adecuada respecto a la de
la aparicin de la caracterstica que representa en la poblacin.
10
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
Tiende a asegurar que la muestra represente adecuadamente a la poblacin.

Se obtienen estimaciones ms precisas.
Permite la viabilidad econmica.
La manera de eleccin de los estratos puede contener sesgo.

La afijacin puede introducir errores.
4. Muestreo aleatorio por conglomerados.

Es un tipo de muestreo en el que inicialmente la poblacin est definida mediante grupos o
conglomerados que consideraremos homogneos. En este sentido para tomar una muestra de
tamao n, consideraremos en tomar mediante muestreo aleatorio el nmero necesario de
conglomerados para asegurarnos que la suma de los individuos de todos ellos sea el tamao
muestral buscado.
Por ejemplo, si necesitamos tomar una muestra mediante conglomerados respecto al estudio
sobre la preparacin acadmica de los enfermeras/os respecto a determinadas tcnicas,
suponiendo que hay n hospitales (conglomerados) y cada hospital tiene m enfermeros/as,
trataremos de elegir mediante muestreo aleatorio un nmero de hospitales de tal modo que
sumando las enfermeras/os de tales hospitales obtengamos el tamao muestral pedido.
Es ms fcil y cmodo seleccionar conglomerados que realizar un muestreo aleatorio sobre

los propios individuos.
La manera de eleccin de los conglomerados puede presentar sesgos cuando dichos

conglomerados no presentan condiciones de homogeneidad.
5. Muestreo aleatorio compuesto, polietpico.

Es un muestreo aleatorio bastante complejo que trata de obtener la muestra mediante etapas y
que puede presentar en cada etapa diferentes tipos de muestreo aleatorio como por ejemplo
conglomerados, estratificados, etc.
11
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
Es el que se utiliza, por ejemplo, en las encuestas y estudios sobre poblaciones distribuidas en
amplias zonas geogrficas. Se divide el pas en donde se encuentra la poblacin en zonas
denominadas unidades primarias de muestreo (UPM). Dentro de cada UPM se forman reas
ms pequeas del orden de 500 habitantes que se denominan distritos del censo (DC).
Para elaborar la encuesta se selecciona una muestra aleatoria de un cierto nmero de UPM, en
cada una de estas unidades se extrae una muestra aleatoria de DC y, finalmente, en cada DC
de la muestra aleatoria se extrae una muestra de individuos.
Esta forma de muestreo tiene ventajas obvias. Por un lado no es necesario manejar la lista de
todos los individuos del pas. Adems los individuos elegidos para la encuesta se encuentran
distribuidos en grupos concentrados geogrficamente en unas pocas regiones, con lo que es
ms barato el trabajo de los encuestadores.

Se obtienen estimaciones ms precisas.
La manera de eleccin de las UPM o en DC puede contener sesgo dependiendo del

muestreo aleatorio utilizado.
4.2.
Muestreo no aleatorio o no probabilstico.
Son aquellos muestreos en los que se incumplen las principales caractersticas del muestreo
aleatorio en lo que se refiere a la equiprobabilidad de cada individuo de la poblacin en la
aparicin en la muestra o que la poblacin se mantenga constante. Sin embargo, en muchas
ocasiones son utilizados consciente o inconscientemente, puesto que son ms sencillos de
llevar a cabo y la utilizacin de muestreos aleatorios suele presentar costes muy elevados o
inasumibles.
Hay que tener en cuenta que este tipo de muestreo genera muestras que no tienen porque ser
representativas y por lo tanto, no se puede garantizar la fiabilidad acerca de las inferencias y
generalizaciones respecto al estudio del fenmeno aleatorio sobre la poblacin mediante estas
muestras.
Pese a no haber condiciones de aleatoriedad, estos mtodos tienen sus propios criterios para la
seleccin de los individuos de la muestra que procuran de alguna manera la representatividad
de la misma.
12
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
1. Muestreo no aleatorio de conveniencia.

Es un muestreo no aleatorio en el que se procede a seleccionar los individuos que menos
esfuerzo presentan por cuestiones econmicas, fsicas o temporales.
Por ejemplo, si queremos hacer una encuesta en una ciudad, lo ms sencillo es ponerse en un
lugar concreto y preguntar a la gente que pasa.
Entre las ventajas de este tipo de muestreo no aleatorio destacamos:

Presenta costes mnimos en cuanto a tiempo, dinero y esfuerzo.
Entra la subjetividad del encuestador o investigador a la hora de elegir a cada individuo.

Siguiendo con el ejemplo anterior, el encuestador tender a preguntar de forma preferente a
personas con aspecto aseado y a ignorar a personas con aspecto menos agradable.
La localizacin o condiciones preconcebidas para la seleccin de los individuos de la
muestra pueden sesgar la misma. En el ejemplo anterior, el lugar donde el encuestador est
situado puede introducir sesgos pues dependiendo de la localizacin puede encontrar una
cierta respuesta ante el fenmeno ms acusada que en otro lugar.
2. Muestreo no aleatorio voluntario o de voluntarismo.

Es un muestreo no aleatorio en el que se procede a seleccionar los individuos que deciden por
propia iniciativa y voluntariamente ser elementos de la muestra. Adems, este tipo de muestreo
puede admitir la aparicin en la muestra de repeticiones de individuos.
Por ejemplo, los muestreos va sms que proponen los programas de televisin y radio son un
claro muestreo por voluntarismo.
Entre las ventajas de este tipo de muestreo no aleatorio destacamos:

Presenta costes mnimos en cuanto a tiempo, dinero y esfuerzo.
La localizacin o condiciones preconcebidas para la seleccin de los individuos de la

muestra pueden sesgar la misma. En el ejemplo anterior, la cadena o peridico ya estn
13
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
sesgando al tipo de individuo que puede llegar a presentarse voluntario para ser objeto del
estudio.
La aparicin de repeticin de individuos en la muestra crean inevitablemente sesgos
intencionados por el propio elemento de la muestra.
3. Muestreo no aleatorio por cuotas o accidental.

Se toma a los individuos ms representativos de la poblacin como representantes de la
poblacin en la muestra. Por lo tanto, utiliza una tcnica parecida al muestreo aleatorio por
estratos en cuanto a que determina divisiones de la poblacin mediante caractersticas pero se
diferencia en la eleccin no aleatoria de los individuos dentro de cada estrato. En este sentido,
es muy tpico de este muestreo elegir los individuos con una serie de condiciones mediante
cuotas. La eleccin de los elementos dentro del estrato puede entrar la aleatoriedad o, por el
contrario, el voluntarismo.
Por ejemplo, dentro del estrato mujer la cuota puede ser la seleccin de 30 mujeres con
edades comprendidas entre los 18 y 25. La seleccin final de las 30 mujeres puede llevarse a
cabo con o sin aleatoriedad.

La manera de eleccin de los estratos puede contener sesgo.

Las distinta cuota de eleccin en cada estrato puede sesgar a la muestra.
Existe voluntarismo al tomar los elementos finales para la cuota.
Este mtodo se utiliza mucho en las encuestas de opinin.

4. Muestreo no aleatorio opintico o intencional:
Se trata de tomar muestras deliberadas que en ocasiones anteriores se tiene la certeza que han
tenido comportamientos similares o parecidos al de la poblacin en el fenmeno aleatorio en
estudio. Estas muestras son consideradas como representativas.
Por ejemplo, en las encuestas preelectorales, algunos estudios se centran en determinados
pueblos o barrios que tradicionalmente, su intencin de voto ha sido muy similar a la que tuvo
la poblacin total de la votacin.
14
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
Son sencillas y de fcil aplicacin.

Son menos costosos que otro tipo de muestreos.
El comportamiento similar entre muestra y poblacin en otras ocasiones no asegura que

esto vuelva a ocurrir.
La muestra puede sesgarse si tiene conocimiento de su representatividad.
La muestra puede variar sustancialmente con el tiempo.
Permite sesgo intencionado a la hora de la eleccin de la muestra representativa
5. Muestreo no aleatorio Bola de nieve.

La muestra se crea a s misma a partir de la seleccin de varios individuos los cuales conducen
a otros, y estos a otros, y as hasta conseguir una muestra suficiente.

La eleccin del primer individuo o de cualquiera de los dems puede sesgar a toda la
muestra a partir de l.
Permite sesgo intencionado a la hora de la eleccin de los primeros individuos.
Este tipo se emplea muy frecuentemente cuando se hacen estudios con poblaciones
"marginales", delincuentes, determinados tipos de enfermos, etc.
6. Muestreo no aleatorio discrecional.
El encuestador selecciona intencionadamente los elementos de la muestra en base a los
prejuicios o conocimientos del investigador acerca de la representatividad de esos individuos
respecto del estudio sobre la poblacin.

En la mayora de los casos, permite la viabilidad econmica.
15
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
Se tiene que conocer de antemano los estratos representativos de la poblacin.

Permite sesgo intencionado a la hora de la eleccin de los individuos.
Este tipo se emplea muy frecuentemente cuando se hacen estudios con poblaciones
"marginales", delincuentes, determinados tipos de enfermos, etc.
5.
ESTUDIO DE PARMETROS EN POBLACIONES Y MUESTRAS.

Sea una poblacin cuyos individuos poseen una caracterstica comn descrita por una variable
estadstica cuantitativa X que toma valores diferentes x1, x2, . . . , xr mediante una distribucin
de frecuencias relativas f1, f2, . . . , fn.
Se denomina media poblacional al valor media aritmtica de todos los valores de la

poblacin:
X = M ( X ) = xi f i
i
Se denomina varianza poblacional al valor media aritmtica de la funcin (X X)2,
X2 = V ( X ) = M (( X X ) 2 ) = ( xi X )2 f i
i
Se denomina desviacin tpica poblacional a la raz cuadrada de la varianza

poblacional,
X = V (X ) =
(x
X ) fi
2
Observaciones.
1. Los valores o parmetros poblacionales media y desviacin tpica son esenciales para la
descripcin y valoracin de cada poblacin.
2. En muchas ocasiones el estudio estadstico no se puede efectuar mediante censo y hay que
recurrir a muestras para el estudio de la poblacin. En este sentido, uno de los objetivos
consistir en inferir el valor de la media y la desviacin poblacionales.
16
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
Algunas de las propiedades de los parmetros media poblacional y desviacin tpica

poblacional son:
1. Si X es una variable aleatoria y un nmero real fijo entonces X = X.

Demostracin. Por la definicin de media aritmtica de una muestra, tendremos que:
X = M ( X ) = f i ( x i ) = f i x i = M ( X )
i
2. Dadas las variables X e Y se verifica que X+Y = X + Y.

Demostracin. Dadas las variables aleatorias X e Y,
X +Y = M ( X + Y ) = f i , j (xi + y j ) = ( f i , j xi + f i , j yx j ) =
i
= f i , j xi + f i , j y i = f i xi + f j y j =
i
= M ( X ) + M (Y ) = X + Y
3. Si X e Y son dos variables independientes, entonces XY = X Y
Demostracin. Sean X e Y variables aleatorias independientes, entonces:
X Y M ( X Y ) = f i , j (x i y j )
i, j
Puesto que las variables X1 y X2 son independientes, entonces:
f i , j = f i , f , j
y por tanto,
X Y = M ( X Y ) = f i , j (xi y j ) = f i , f , j (xi y j ) =
i, j
i, j

= f i , xi f , j y j = M ( X ) M (Y ) = X Y
i
j
17
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
4. 2X = M(X2) M(X)2
Demostracin. Utilizando las propiedades de la media y la propia definicin de la varianza:
2 ( X ) = M (( X M ( X )) 2 ) = f i ( x i M ( X ) )2 =
i
= f i x I2 + f i M ( X ) 2 2 M ( X ) f i xi =
i
= M ( X 2 ) + M ( X ) 2 f i 2 M ( X ) M ( X ) =
i
= M ( X 2 ) + M ( X ) 2 2M ( X ) 2 = M ( X 2 ) M ( X ) 2
5. Para todo nmero real se verifica que 2X = 2 2X
Demostracin. Basta ver que:
2 X = M (( X M ( X )) 2 ) = M ( 2 ( X M ( X )) 2 ) =
= 2 M (( X M ( X )) 2 ) = 2 X2
6. Si X e Y son variables independientes, entonces s2X + Y = 2X + 2Y.
Demostracin. Sean X e Y variables aleatorias independientes. Utilizando las propiedades
de la media, y teniendo en cuenta que X e Y son independientes, se obtiene:
X2 +Y = M (( X + Y ) 2 ) [M ( X + Y )]2 =
= M ( X 2 + Y 2 + 2 X Y ) M ( X ) 2 M (Y ) 2 2M ( X ) M (Y ) =
= M ( X 2 ) + M (Y 2 ) + 2M ( X Y ) M ( X ) 2 M (Y ) 2 2M ( X ) M (Y ) =
= M ( X 2 ) + M (Y 2 ) + 2M ( X ) M (Y ) M ( X ) 2 M (Y ) 2 2M ( X ) M (Y ) =
= M ( X 2 ) M ( X ) 2 + M (Y 2 ) M (Y ) 2 = X2 + sY2
18
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.

Definicin de muestra aleatoria simple: Sea un fenmeno aleatorio en el que se estudia una
caracterstica de una poblacin sobre el que se mide una cierto parmetro asociado a la variable
estadstica X con determinada distribucin de probabilidades. Llamaremos muestra aleatoria
simple de la variable aleatoria X a la variable aleatoria n-dimensional:
(X1, X2, . . . , Xn)
cuyas variables aleatorias unidimensionales Xk con k = 1, 2, . . . n, que la componen son
independientes y con la misma distribucin de probabilidad (idnticamente distribuidas) que X.
Por tanto, si X es discreta con funcin de masa p(x), la funcin de masa conjunta de la muestra
aleatoria simple (X1, X2, . . . , Xn) ser:
n
p(x1 , x2 ,. . . , xn ) = p(xk ) = p( x1 ) p(x2 ) . . . p( xn )

k =1
Si X es continua con funcin de densidad f(x), la funcin de densidad conjunta de la muestra

aleatoria simple (X1, X2, . . . , Xn) es:
n
f ( x1 , x2 ,. . . , xn ) = f ( xk ) = f ( x1 ) f (x2 ) . . . f (xn )
k =1
Ejemplos.
1. Sea (X1, X2, . . . , Xn), la muestra aleatoria simple de una variable aleatoria X con
distribucin de Poisson P() con un parmetro desconocido. La distribucin de esta muestra
aleatoria simple vendr dada por la funcin de masa:
n
x e
k =1
k =1
( xk )!
p(x1 , x2 ,. . . , xn ) = p( xk ) =
xk
k =1
e n
( x )!
k
k =1
2. Sea (X1, X2, . . . , Xn), la muestra aleatoria simple de una variable aleatoria X con
distribucin normal N(, ) con y parmetros desconocidos. La distribucin de esta
muestra aleatoria simple vendr dada por la funcin de densidad:
n
k =1
k =1
f ( x1 , x2 ,. . . , xn ) = f ( xk ) =
19
( xk )2
( xk )
2 2
k =1
2 2
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
5.3.Definicin de estimadores. Media, varianza y cuaivarianza muestral.

En la inferencia estadstica se suele plantear el problema de calcular uno o varios parmetros
desconocidos k de los que depende la distribucin conocida de la variable aleatoria X a partir
de la variable aleatoria simple. Muy usualmente estos parmetros son la media y desviacin
poblacionales.
Para ello definiremos funciones n-dimensionales que estimen de un modo tan aproximado
como sea necesario al parmetro desconocido. Por tanto, estimar un parmetro es asignarle un
valor obtenido a partir de una medicin de una funcin (estimador) del parmetro sobre una
muestra.
Definicin de estimador: Sea (X1, X2, . . . , Xn), una muestra aleatoria simple de una variable
aleatoria X con distribucin conocida p() y con parmetro desconocido. Se llama estimador
de un parmetro desconocido , a toda funcin T(X1, X2, . . . , Xn) que permita aproximar a
dicho parmetro. Se verifica que, como (X1, X2, . . . , Xn) es una muestra o variable aleatoria
que tiene una funcin de distribucin, el estimador tambin gozar de los mismos privilegios.
Definicin de estimador centrado o insesgado: Se dir que el estimador es centrado o
insesgado respecto del parmetro si E [ T(X1, X2, . . . , Xn)] =
Esta propiedad indica que el estimador elegido es una buena funcin para aproximar al
parmetro .
Definicin de estimador consistente: Se dir que el estimador es consistente para el

parmetro si se verifica que:
lim E [T ( X 1 , X 2 , . . ., X n )] =
n
lim V [T ( X 1 , X 2 , . . ., X n )] = 0
n
La eleccin del estimador adecuado para la inferencia del parmetro desconocido es una
cuestin bastante delicada y hay varios procedimientos para encontrarlos de manera centrada.
Algunos de los estimadores ms utilizados son:
La media muestral: Sirve para estimar el parmetro media si es que este es desconocido
para la distribucin de X.
T (X1, X 2 , . . . , X n ) =
20
www.magister.es
1 n
Xk
n k =1
MATEMTICAS. Tema 58
MELC S.A.
Se suele representar mediante X .

La varianza muestral: Sirve para estimar el parmetro varianza 2 si es que este es
desconocido para la distribucin de X.
T (X1, X 2 , . . . , X n ) =
1 n
Xk X
n k =1
Se suele representar mediante s2.

La cuasivarianza muestral: Sirve para estimar el parmetro varianza 2 si es que este es
desconocido para la distribucin de X al igual que la media .
n
1
T (X1, X 2 , . . . , X n ) =
Xk X
n 1 k =1
Se suele representar mediante S2.
5.4.
Propiedades de la media muestral.
1. La media de la media muestral es la media poblacional. Si queremos estimar la media

X de una variable estadstica X con distribucin p(X), un candidato natural a estimador
es la media muestral que es un estimador centrado ya que, por las propiedades del operador
media:
1
1 n
1
n
1 n
M X k = M X k = M [X i ] = n X = X
n
n k =1
n
k =1
n k =1
Por lo tanto, la media muestral es un estimador insesgado.
2. La varianza de la media muestral es el cociente de la varianza poblacional entre el
tamao muestral. El estimador media muestral tiene la buena propiedad de que su
varianza coincide con X2/ n, con X2 la varianza de la distribucin de la variable X y n el
tamao muestral.
X2
1
1 n
1 2 n
1 n 2
2
s X k = 2 s X k = 2 s [X i ] = 2 n X =
n
n
n k =1
n
k =1
n k =1
2
Concluimos entonces que la media muestral es un estimador consistente para la media

poblacional, ya que al hacer tender el tamao muestral a valores grandes, la varianza tiende
a cero.
21
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
Esta propiedad hace de la media muestral sea un gran estimador para la media ya que
cuanto ms grande sea el tamao muestral de las muestras usadas, menos dispersa ser
la media muestral". Es decir, los datos de la medicin de la media muestral estarn tanto
ms localizados cuanto ms grande sea el tamao de las muestras que empleamos. Por
tanto, segn lo dicho antes, el estimador media muestral es consistente.

1. La media de la cuasi varianza muestral es la varianza poblacional. La varianza
muestral y cuasivarianza muestral proporcionan estimaciones de la varianza de la
poblacin. Como podemos observar mediante los siguientes clculos:
Si calculamos la media de la varianza muestral,
[ ]
n
n
2
2
1 n
1
n
M s 2 = M X k X = M X k2 + X 2 X k X =
k =1
k =1
n k =1
n
k =1
n
2
2
1
n
1
n
M X k2 + n X 2 X X k = M X k2 + n X 2 X n X =
n
k =1
k =1
n
k =1
2
2
2
1
n
1
n
1 n
M X k2 + n X 2n X = M X k2 n X = M ( X k2 ) M ( X ) =
n
k =1
n
k =1
n k =1
2
2
1
n M (X 2) M (X ) = M (X 2) M (X )
n
Como tenemos que s2(X) = M(X2) M(X)2, entonces, para uno de los elementos de la resta
ocurrir:
( )
M X 2 = s 2 ( X ) + M ( X ) = X2 + X2
2
( ) = s (X )+ M (X )
M X
X2
n
+ X2
Y por tanto, sustituyendo tendremos:
[ ]= M (X
M s
) M (X ) =
22
www.magister.es
2
X
+
2
X
X2
n
X2 =
n 1 2
X
n
MATEMTICAS. Tema 58
MELC S.A.
Obsrvese que la media de la varianza muestral no coincide con la varianza de la

poblacin. Ello motiva la introduccin de la cuasivarianza muestral, ya que como
n
1
S =
xk X
n 1 k =1
2
2
n 1 n
n
=
xk X =
s X2
n 1 n k =1
n 1
Entonces, teniendo en cuenta el clculo de la media de la varianza muestra, se obtiene
[ ]
n
n n 1 2
n
M S2 = M
s2 =
M (s 2 ) =
X = X2
n 1 n
n 1
n 1
Es decir, en el lenguaje de la estadstica inferencial, la cuasivarianza muestral es un estimador
insesgado de la varianza de la poblacin.
Entre los resultados ms importantes en la estadstica estn la ley de los grandes nmeros y el
teorema central del lmite. Ambos tratan sobre la media muestral.
Lo que se deduce de estos resultados es que la media muestral es una variable estadstica tanto
ms localizada alrededor de su media cuanto ms grande sea el nmero n de variables que la
forman. En el lmite de grandes valores de n solo hay probabilidad de encontrar la media
muestral concentrada en su valor medio.
El teorema de Chebyshev, es el germen de la demostracin de la ley de los grandes nmeros
que veremos a continuacin. El enunciado del teorema de Chebyshev dice lo siguiente:
Teorema de Chebyshev. Sea una variable aleatoria X con funcin de probabilidad asociada
Px. Sean X y X la media y desviacin tpica poblacionales respectivamente. Se verifica que,
Px (| X x | k x ) 1
1
k2
k > 0
Enunciamos ahora la ley de los grandes nmeros. Este resultado es consecuencia fundamental
de la desigualdad de Chebyshef y juega un importante papel en la teora de probabilidades y
estadstica relacionando la media muestral y poblacional de una variable aleatoria X. En
particular:
Proporciona una interpretacin de la media como un valor esperado.

Proporciona en el caso binomial una formulacin del concepto de probabilidad en trminos
de lmites de frecuencias.
23
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
Ley de los grandes nmeros: Dada una variable aleatoria simple (X1, X2, . . . , Xn) de una
variable estadstica X con distribucin conocida p() y con parmetro desconocido. Se
verifica que
lim Px X x = 1
Demostracin.
Dada la variable aleatoria simple (X1, X2, . . . , Xn) de una variable estadstica X con
distribucin conocida y teniendo en cuenta que la v.a X tiene media y desviacin:
[ ]
[ ]
E X = x
sX =
x
n
Podemos aplicar a la media muestral el teorema de Chebyshev de tal modo que
1

Px | X x | k x 1 2
k
n
k > 0
Sea un valor cualquiera > 0, procedemos a calcular la tendencia de probabilidad de que la

diferencia entre la media muestral y la poblacional sea menor o igual que el valor elegido.
lim Px X x
En la desigualdad de Chevyshev, sea k =
n
> 0 , en ese caso tendremos que:
x
1
n x
Px | X x |
1
2
x
n
n

x
Simplificando,
Px | X x | 1
24
www.magister.es
x2
n 2
MATEMTICAS. Tema 58
MELC S.A.
Tomando lmite en n entonces:
2
lim Px | X x | lim 1 x 2 = 1
n
n
n
Y concluimos
lim Px X x = 1
Observaciones.
1. La ley de los grandes nmeros explica que la media muestral es una variable aleatoria que,
bajo cualquier distribucin, tanto ms cercana es a la media poblacional de la variable X de
la que procede al aumentar el nmero de variables que la forman.
2. En el caso de que la v.a. X tenga distribucin Bernuilli de parmetro p, sabemos que x = p
y x = p(1 p). En ese caso, la ley de los grandes nmeros
lim Px X p = 1
Es decir, que cuantas ms repeticiones o experimentos de Bernouilli independientes e

idnticos realicemos, ms aproximacin existe entre la media muestral o proporcin de
xitos y el valor poblacional p.
3. El valor medio o media aritmtica de una variable aleatoria M(X) o E(X) recibe el nombre
a menudo de valor esperado o esperanza matemtica de la v.a. X. La razn de esta
denominacin est en la ley de los grandes nmeros ya que cuando se repite un nmero
grande de veces la medicin de la v.a. X, la media aritmtica en cada caso es una media
muestral que, de acuerdo con la ley de los grandes nmeros ser con gran probabilidad muy
cercana al valor de la media poblacional x.
4. La ley de los grandes nmeros da base para un posible modelo de definicin de la
probabilidad.
5.7. El teorema central del lmite. Estimacin de la media poblacional a partir de

intervalos de confianza para tamaos muestrales elevados.
La estimacin o inferencia mediante intervalos de confianza de la media poblacional a partir de
la media muestral se basa inicialmente en el teorema central del lmite que enunciamos a
continuacin:
25
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
Teorema central del lmite: Sea X una variable estadstica. Dado un intervalo I <
cualquiera de la recta. Para cada n natural sea pn ( X I ) , la probabilidad de que la media
muestral est en el intervalo I. En este caso,
lim pn ( X I )
N ( x, ,
I
)dx
Observaciones.
1. Lo que el teorema expresa es un resultado general que nos dice que para tamaos
muestrales suficientemente grandes, la media muestral es una variable estadstica con
distribucin normal de media, la media poblacional y de desviacin, el cociente de la
desviacin poblacional entre la raz cuadrada del tamao muestral.
X N X , X
n
Veamos ahora la aplicacin directa de este teorema para la inferencia de la media poblacional a
partir de la media muestral utilizando intervalos de confianza.
Si dada una variable estadstica X con distribucin de desviacin tpica conocida X,

deseamos formar un intervalo de confianza ( X , X + ) para la media poblacional para
tamaos muestrales suficientemente grandes entonces el teorema central del lmite asegura
que:
lim pn ( X < X < X + )
N ( x, ,
)dx
O lo que es lo mismo,
lim pn ( < X X < + )
N ( x, ,
)dx
Si condicionamos a que la probabilidad de que la media muestral y la media poblacional

difieran en con tamao muestral lo suficientemente grande y sea de confianza 1
entonces podemos tipificar segn el procedimiento para distribuciones normales de tal
modo que:
lim pn ( < X X < + ) = 1

X X
+
1
lim pn
<
<
n
X n X n X n
26
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
= z / 2
En tal caso,
= z / 2
X
n
Y el intervalo deseado ser
X z / 2 X
n
, X + z / 2
De este modo, para inferir acerca de la media poblacional X podemos utilizar de nuevo la
media muestral ya que con una confianza 1 , la media poblacional se encontrar, para
muestras suficientemente grandes, en el intervalo
X z / 2 X
n
, X + z / 2
Si dada una variable estadstica X con distribucin de desviacin tpica desconocida

X, deseamos formar un intervalo de confianza ( X , X + ) para la media poblacional
con tamaos muestrales suficientemente grandes entonces podemos reemplazar la
desviacin tpica (que no conocemos) por la cuasivarianza muestral (estimador insesgado
respecto a la varianza) y utilizar el resultado siguiente
X X
tn 1
Sn / n
Es decir, la variable aleatoria,
X X
Sn / n
se distribuye segn una t de Student con n 1 grados de libertad., a la que denotamos por tn
1.
Si condicionamos a que la probabilidad de que la media muestral y la poblacional difieran
en con tamao muestral lo suficientemente grande con un nivel de confianza 1
entonces podemos seguir un procedimiento similar al anteriormente expuesto de tal modo
que:
lim pn ( < X X < + ) = 1
27
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58

X X
+
1
lim pn
<
<
n
Sn n
S n / n
Sn n

+
1
lim pn
< tn 1 <
n
S
n
S
n
n
n
Sn
= tn 1, / 2
En tal caso,
= tn 1, / 2
Sn
n
Y el intervalo deseado ser

S
X t n 1, / 2 n
n
, X + t n 1, / 2
Sn
Concluimos que para inferir acerca de la media poblacional X podemos utilizar de nuevo
la media muestral ya que con probabilidad 1 la media poblacional se encontrar, para
muestras suficientemente grandes, en el intervalo
S
X tn 1, / 2 n
n
, X + tn 1, / 2
Sn
Observaciones.
1. Este procedimiento nos determina una cota inferior para el tamao muestral ya que dada la
desviacin conocida X, un valor > 0 cualquiera y una confianza 1 establecida de que
la media poblacional y la muestral se diferencian como mximo en , el menor natural n
que cumple es tal que,
z / 2
X
n
n z / 2 x
n z / 2 x

2. Por un procedimiento anlogo, si la desviacin es desconocida, dado un valor > 0

cualquiera y una confianza 1 establecida de que la media poblacional y la muestral se
diferencian como mximo en , el menor natural n que cumple es tal que,
tn 1, / 2
Sn
n
n tn 1 / 2
28
www.magister.es
Sn
n tn 1, / 2 n

MATEMTICAS. Tema 58
MELC S.A.
5.8. El concepto de valor esperado o esperanza matemtica

El valor medio o media poblacional X = M(X) de una variable estadstica recibe a menudo el
nombre de valor esperado o esperanza matemtica de la variable X.
La razn de estas denominaciones radica en los resultados de los teoremas de la ley de los
grandes nmeros y central del lmite. La cuestin es que cuando uno repite la medicin de una
variable cualquiera X un nmero grande de veces, el valor medio de los resultados es una
media muestral de tamao grande y por tanto de acuerdo con los teoremas anteriores ese valor
medido ser con gran probabilidad muy cercano al valor medio o media poblacional = M(X)
de X.
Ejemplo. Muchos automviles actuales poseen un indicador de consumo instantneo X y otro

de consumo medio M(X). La diferencia entre ambos es que X proporciona el consumo que se
va produciendo al cabo de cada cierto tiempo (unos cuantos segundos), en cambio M(X)
proporciona la media de todas las medidas de X desde la ltima puesta a cero del contador de
M(X). Se observa que la indicacin de X vara constantemente, dependiendo del tipo de lugar
por el que se conduzca, el estado del trfico, etc. Sin embargo el de M(X) es muy estable al
cabo de un cierto tiempo. Lo que ocurre es que M(X) es una media muestral y cuanto ms
tiempo transcurre ms grande va siendo el tamao de la muestra que emplea, con lo que se
entra en un rgimen en que se aprecia la ley de los grandes nmeros.
Ejemplo. Supongamos un juego en que el premio es una cantidad a si se gana y tal que la
probabilidad de ganar es p. Sea X la variable premio obtenido. Su valor medio es
= M(X) = pa + (1 p)0 = pa.
Si jugamos un nmero grande de veces n y llamamos X1, . . . ,Xn las correspondientes variables
premios obtenidos en las n jugadas, el premio total obtenido ser el valor de la suma X1 + . . . +
Xn que es nM(X). De acuerdo con los teoremas anteriores, ese nmero, lo que esperamos
ganar, ser con gran probabilidad muy cercano a n.
Es decir con gran probabilidad el premio medio que esperamos obtener por jugada ser muy
cercano a = pa y este ha de ser el precio por participar en el juego si tal juego es justo.
29
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
BIBLIOGRAFA
[1] E. W. Weisstein, CRC Concise Encyclopedia of Mathematics, Chapman Hall, 1999.

[2] D. Pea Snchez de Rivera: Estadstica, modelos y mtodos. Alianza Universal, 1987
[3] Matemticas Aplicadas a las ciencias sociales II, Edelvives, 1998.
[4] Matemticas I Bachillerato LOGSE, McGraw-Hill, 1995 .
[5] Estadstica. D. Freedman, R. Pisani, R. Purves y A. Adhikari, Antoni Bosch Editor, 1993.
[6] Statistics, Principles and Methods, R. A. Johnson and G. K. Bhattacharyya, Wiley and
Sons, Inc., 2001.
[7] Estadstica aplicada: Conceptos bsicos. Alfonso Garca Prez. Editorial UNED. 1992.
[8] Carrasco JL. El mtodo estadstico en la investigacin mdica. Madrid. Editorial Ciencia.
[9] Hulley SB, Cummings SR. Diseo de la investigacin clnica. Ed Doyma. Barcelona 1993.
[10] Kelsey IL, Thompson WD, Evans A. Methods in observational epidemiology. New York.
Oxford University Press 1986.
[11] Este tema fue actualizado el 25/03/10 por David Martnez Sanz.
PROBLEMAS RESUELTOS DE CLCULO DE PROBABILIDADES

AUTOR/ES: Garca Garca, Victoriano J.;Ramos Romero, Hctor M.;Sordo Daz,
Miguel - Publi. Universidad de Cdiz
ISBN: 9788498281620
AO: 2008
CLCULO DE PROBABILIDADES "354 EJERCICIOS DESARROLLADOS"

AUTOR/ES: Ua Jurez, Isaas ; n Moreno, Jess ; Tomeo Perucha, Venancio
ISBN: 9788492812110
AO: 2009
CUADERNO MATEMTICAS BACHILLERATO ESTADSTICA Y PROBABILIDAD

AUTOR/ES: Martn martn, miguel ngel; Rey sim, jos manuel; Reyes castro,
miguel
ISBN: 9788421660812
AO: 2008
30
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
ESTADISTICA DESCRIPTIVA Y CALCULO DE PROBABILIDADES

AUTOR/ES: CASTILLO MANRIQUE, ISABEL y GUIJARRO GARVI, MARTA y PROL.
DE JOSE
LUIS ROJO GARCIA
ISBN: 9788420548067
AO: 2005
ESTADSTICA DESCRIPTIVA Y PROBABILIDAD
AUTOR/ES: Espejo Miranda, Inmaculada;Fernndez Palacn, Fernando;Lpez

Snchez, Mara Auxiliadora;Muoz Mrque
ISBN: 9788498280586
AO: 2010
PROBABILIDAD Y ESTADSTICA PARA CIENCIAS E INGENIERAS
AUTOR/ES: Delgado de la Torre, Rosario

ISBN: 9788496477742
AO: 2007
PROBABILIDAD Y ESTADSTICA EN INGENIERA: EJERCICIOS RESUELTOS
AUTOR/ES: Asn, Jess, Germn, Francisco, Berrade, M. Dolores, Campos,

Clemente A., Gal, Carmen, Jodr, Pedr
ISBN: 9788477336082
AO: 2009
31
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
ESQUEMA-RESUMEN.
2. CONSIDERACIONES GENERALES ACERCA DE LA ESTADSTICA.
2.1.Breve resea histrica acerca de la Estadstica.
En nuestros das los mtodos estadsticos ocupan un lugar prominente en las distintas ciencias
tanto naturales como sociales y constituyen una de las herramientas ms utilizadas y apreciadas
por los investigadores. La estadstica actual es el resultado de la confluencia de dos disciplinas
que evolucionaron independientemente hasta unirse en un cuerpo comn hacia el siglo XIX:
El clculo de probabilidades que nace en el siglo XVII como teora matemtica de los
juegos de azar (dados, barajas, lotera, etc.).
La "estadstica" (o ciencia del estado, del latn Status) que estudia la descripcin de datos y
tiene races muy antiguas (los primeros censos conocidos se remontan a los chinos,
realizados 2.000 aos a.J.C.).
La integracin de ambas lneas de investigacin ha dado lugar a una ciencia experimental

interdisciplinar basada en el empleo de modelos matemticos propios. La estadstica
proporciona tambin una metodologa para evaluar y juzgar las discrepancias de sus modelos
respecto de la realidad.
Algunos de los ms insignes matemticos que han trabajado en esta rama son los Bernoulli,
Laplace, Poisson, Gauss, Markov, Fisher, Pearson y Neyman.
2.2.Definicin de Estadstica. Fenmenos aleatorios.

Definicin de estadstica: Podemos definir la estadstica como la ciencia de los datos, de la
generacin de datos interesantes, de su descripcin de forma clara y til, y de su interpretacin
para obtener conclusiones vlidas sobre fenmenos aleatorios.
La estadstica estudia por tanto fenmenos aleatorios o de azar que se pueden definir como
aquellos experimentos caracterizados por las dos propiedades siguientes:
Presentan notables variaciones en los efectos, de modo que resulta imposible predecir el
resultado de una experiencia particular.
Todos los posibles resultados se conocen de antemano.
Se verifica la ley de la estabilidad de las frecuencias que enuncia:
Si se repite el experimento indefinidamente, la frecuencia relativa con la que se
presenta un suceso cualquiera de ese experimento tiende a estabilizarse a medida que
aumenta el nmero de repeticiones del mismo.
32
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
Los fenmenos que no son aleatorios se denominan fenmenos deterministas.

Ejemplos de fenmeno aleatorio son el sondeo de intencin de voto en unas elecciones,
mientras que ejemplo de un fenmeno determinista es el clculo de la velocidad de un mvil en
el vaco.
3.
POBLACIN, INDIVIDUO Y MUESTRA ALEATORIA DE UN FENMENO

ALEATORIO.
3.1. Poblacin e individuo de un fenmeno aleatorio.

Definicin de individuo de un fenmeno aleatorio: Los fenmenos aleatorios se estudian
sobre elementos concretos que llamaremos individuos. As pues, entendemos por individuo a
cada uno de los elementos donde se presenta el fenmeno aleatorio.
Definicin de poblacin de un fenmeno aleatorio: Llamamos poblacin al conjunto, finito
o infinito, de todos los individuos o sistemas bajo el influjo del fenmeno aleatorio. La
definicin de lo que constituye la poblacin depende del experimentador y de la naturaleza del
fenmeno en estudio.
Se distinguen los siguientes tipos de poblaciones:
Poblacin objetivo o terica: Est formada por todos los individuos bajo el influjo del
fenmeno aleatorio.
Poblacin disponible: Es la que resulta tras la depuracin de los individuos de la
poblacin objetiva no accesibles a priori. Sin embargo, esta no es la poblacin final que
manejaremos en muchos casos puesto que pueden existir factores que no conocemos que
hagan inaccesibles a otros individuos a priori accesibles.
Poblacin investigada: Es la parte realmente accesible de la disponible.
Definicin de Censo: Es el estudio del fenmeno aleatorio en todos los elementos de la

poblacin objetivo.
Definicin de marco: Es el estudio del fenmeno, cuando se realiza sobre el total de la
poblacin disponible o investigada, y no sobre la poblacin objetivo.
En muchas ocasiones, no es posible realizar un censo o marco por muy diferentes motivos, y
entre otros:
El estudio puede deteriorar el sistema. Por ejemplo, la medida de la resistencia de una

pieza industrial o la resistencia ante el impacto de un vehculo. Pensemos tambin en el
33
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
estudio del efecto de una sustancia medicinal en cada individuo. No podemos correr riesgos
ni destruir el sistema o individuo de la poblacin.
Es inviable desde un punto de vista econmico. El estudio de todos los individuos de una
poblacin, en tamaos grandes, puede constituir un problema costoso en tiempo, dinero,
etc. Que no estamos dispuestos a admitir.
Es inviable desde un punto de vista prctico: Puede ocurrir que a poblacin sea infinita o
tan numerosa que excede las posibilidades del estudio.
3.3. Concepto de muestreo. Muestra y tamao muestral. Muestra representativa.

Encuesta y sesgos.
Definicin de Muestreo: La teora del muestreo es la encargada de determinar la forma de
elegir y las condiciones que debe cumplir un subconjunto de la poblacin bajo el influjo de un
fenmeno aleatorio, que denominamos muestra, para que su estudio permita hacer inferencias
correctas sobre dicha poblacin.
Definicin de muestra y tamao muestral en un fenmeno aleatorio: Llamaremos muestra
de una poblacin al conjunto de individuos que elegimos en la poblacin para el estudio del
fenmeno aleatorio. Al nmero de individuos elegidos se denomina tamao de la muestra.
Definicin de muestra representativa: Es aquella muestra que logra una versin simplificada
de la poblacin, y reproduce, de algn modo, el mismo comportamiento y caractersticas ante
el fenmeno aleatorio que esta pero a pequea escala y tal que su estudio sea viable.
La recogida de los datos sobre los individuos de un censo o muestra se llama encuesta.
Es evidente que todo proceso de muestreo lleva asociado un error, debido a la obtencin de
conclusiones respecto de valoraciones sobre una muestra y no sobre el total de la misma. A
esto se denomina error o sesgo del muestreo.
Por otra parte, llamaremos falacia a las inferencias o conclusiones errneas que podamos
realizar a partir de una muestra respecto del estudio de un fenmeno aleatorio sobre una
determinada poblacin. La teora del muestreo trata de impedir y minimizar la aparicin de
falacias aunque pueden llegar a presentarse incluso con muestras representativas, si las
condiciones de estudio no son las adecuadas o estn sesgadas intencionadamente.
4. TIPOS DE MUESTREO.
Existen diferentes criterios de clasificacin de los diferentes tipos de muestreo, aunque en
general pueden dividirse en dos grandes grupos:
Muestreo aleatorio o probabilstico

Muestreo no aleatorio o probabilstico.
34
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
4.1. Muestreo aleatorio o probabilstico.

Definicin de muestreo o muestra aleatorio: Es aquella muestra que se toma en condiciones
de aleatoriedad. La condicin de aleatoriedad en esta definicin viene determinada por un
proceso de seleccin de los individuos que debe verificar cuanto menos los siguientes
requisitos:
Cada individuo de la poblacin tiene la misma probabilidad de ser elegido en la extraccin

de cada muestra.
La poblacin es la misma ante cada extraccin de una muestra.
Las consecuencias de la aleatoriedad en cada muestra garantiza la representatividad de la

misma respecto de la poblacin estudiada ya que,
Elimina influencia subjetiva del experimentador en el proceso de seleccin.

Compensa la influencia de factores desconocidos relevantes que pueden estar variando en
el transcurso del experimento.
Permite el anlisis estadstico de los resultados mediante la teora de la probabilidad.
Por lo tanto, el muestreo aleatorio asegura la representatividad de la muestra extrada.

existen forma tiles para buscar muestras aleatorias, como por ejemplo:
existen forma tiles para buscar dicha aleatoriedad, como por ejemplo:
1. Empleo de nmeros aleatorios. Una tabla de nmeros aleatorios es un conjunto ordenado

de dgitos generado de tal forma que cada dgito 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 tiene la misma
probabilidad de aparecer en cada lugar del conjunto. Las calculadoras y los ordenadores
poseen programas sencillos para generar tablas de nmeros aleatorios.
2. Muestreo sistemtico. Si los elementos de la poblacin estn ordenados en una lista
elaborada al azar con un nmero de individuos N y se desea extraer una muestra de tamao
n (n N), se puede proceder en la forma siguiente: Se divide la poblacin en n
subconjuntos de los que se extraen un elemento de cada uno de ellos. El modo de proceder
para la seleccin de un elemento de cada conjunto es el siguiente: primero se determina el
entero k ms prximo al cociente N / n. Despus se elige al azar un elemento n1 de los k
primeros de la lista y, por ltimo, se van tomando sucesivamente los elementos n1 + k, n1 +
2k hasta n1 + (n 1)k.
3. Muestreo aleatorio estratificado. Divide a la poblacin en estratos mediante
caractersticas de homogeneidad de individuos de la poblacin (sexo, profesin, edad, lugar
de residencia, etc.). Dentro de cada estrato, se funciona de manera independiente y se
aplica nuevas estratificaciones o se realiza un muestreo aleatorio de otra clase. La
35
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
distribucin de la muestra en funcin de los diferentes estratos se denomina afijacin, y

puede ser de diferentes tipos:
Afijacin Simple: Cada estrato tiene el mismo nmero de individuos.

Afijacin Proporcional: Cada estrato tiene la proporcin correcta respecto a la de
aparicin de la caracterstica en la poblacin.
Afijacin ptima: Cada estrato tiene la proporcin y dispersin adecuada respecto a la
de la aparicin de la caracterstica que representa en la poblacin.
4. Muestreo aleatorio por conglomerados. Es un tipo de muestreo en el que inicialmente la

poblacin est definida mediante grupos o conglomerados que consideraremos
homogneos. En este sentido para tomar una muestra de tamao n, consideraremos en
tomar mediante muestreo aleatorio el nmero necesario de conglomerados para
asegurarnos que la suma de los individuos de todos ellos sea el tamao muestral buscado.
5. Muestreo aleatorio compuesto, polietpico. Es un muestreo aleatorio bastante complejo
que trata de obtener la muestra mediante etapas y que puede presentar en cada etapa
diferentes tipos de muestreo aleatorio como por ejemplo conglomerados, estratificados, etc.
Es el que se utiliza por ejemplo en las encuestas y estudios sobre poblaciones distribuidas
en amplias zonas geogrficas. Se divide el pas en donde se encuentra la poblacin en
zonas denominadas unidades primarias de muestreo (UPM). Dentro de cada UPM se
forman reas ms pequeas del orden de 500 habitantes que se denominan distritos del
censo(DC).
4.2. Muestreo no aleatorio o no probabilstico.
Son aquellos muestreos en los que se incumplen las principales caractersticas del muestreo
aleatorio. Sin embargo, en muchas ocasiones son utilizados consciente o inconscientemente,
puesto que son ms sencillos de llevar a cabo y la utilizacin de muestreos aleatorios suele
presentar costes muy elevados o inasumibles. Hay que tener en cuenta que este tipo de
muestreo genera muestras que no tienen porque ser representativas y por lo tanto, no se puede
garantizar la fiabilidad acerca de las inferencias y generalizaciones respecto al estudio del
fenmeno aleatorio sobre la poblacin mediante estas muestras.
1. Muestreo no aleatorio de conveniencia. Es un muestreo no aleatorio en el que se procede

a seleccionar los individuos que menos esfuerzo presentan por cuestiones econmicas,
fsicas o temporales.
2. Muestreo no aleatorio voluntario o de voluntarismo. Es un muestreo no aleatorio en el
que se procede a seleccionar los individuos que deciden por propia iniciativa y
voluntariamente ser elementos de la muestra. Adems, este tipo de muestreo puede admitir
la aparicin en la muestra de repeticiones de individuos.
3. Muestreo no aleatorio por cuotas o accidental. Se toma a los individuos ms
representativos de la poblacin como representantes de la poblacin en la muestra. Por lo
tanto, utiliza una tcnica parecida al muestreo aleatorio por estratos en cuanto a que
36
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
determina divisiones de la poblacin mediante caractersticas pero se diferencia en la

eleccin no aleatoria de los individuos dentro de cada estrato. En este sentido, es muy
tpico de este muestreo elegir los individuos con una serie de condiciones mediante
cuotas. La eleccin de los elementos dentro del estrato puede entrar la aleatoriedad o, por
el contrario, el voluntarismo.
4. Muestreo no aleatorio opintico o intencional. Se trata de tomar muestras deliberadas
que en ocasiones anteriores se tiene la certeza que han tenido comportamientos similares o
parecidos al de la poblacin en el fenmeno aleatorio en estudio. Estas muestras son
consideradas como representativas.
5. Muestreo no aleatorio Bola de nieve. La muestra se crea a s misma a partir de la
seleccin de varios individuos los cuales conducen a otros, y estos a otros, y as hasta
conseguir una muestra suficiente. Este tipo se emplea muy frecuentemente cuando se hacen
estudios con poblaciones "marginales", delincuentes, determinados tipos de enfermos, etc.
6. Muestreo no aleatorio discrecional. El encuestador selecciona intencionadamente los
elementos de la muestra en base a los prejuicios o conocimientos del investigador acerca de
la representatividad de esos individuos respecto del estudio sobre la poblacin.
5. ESTUDIO DE PARMETROS EN POBLACIONES Y MUESTRAS.

Sea una poblacin cuyos individuos poseen una caracterstica comn descrita por una variable
estadstica cuantitativa X que toma valores diferentes x1, x2, . . . , xr mediante una distribucin
de frecuencias relativas f1, f2, . . . , fn.
Se denomina media poblacional al valor media aritmtica de todos los valores de la

poblacin: X = M ( X ) = xi f i
i
Se denomina varianza poblacional al valor media aritmtica de la funcin (X X)2,
X2 = V ( X ) = M (( X X ) 2 ) = ( xi X )2 f i
i
Se denomina desviacin tpica poblacional a la raz cuadrada de la varianza poblacional,
X = V (X ) =
(x
X ) fi
2
Observaciones.
1. Los valores o parmetros poblacionales media y desviacin tpica son esenciales para la
descripcin y valoracin de cada poblacin.
2. En muchas ocasiones el estudio estadstico no se puede efectuar mediante censo y hay que
recurrir a muestras para el estudio de la poblacin. En este sentido, uno de los objetivos
consistir en inferir el valor de la media y la desviacin poblacionales.
37
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
Algunas de las propiedades de los parmetros media poblacional y desviacin tpica

poblacional son:
1.
2.
3.
4.
5.
6.
Si X es una variable aleatoria y un nmero real fijo entonces X = X.

Dadas las variables X e Y se verifica que X+Y = X + Y.
Si X e Y son dos variables independientes, entonces XY = X Y
2X = M(X2) M(X)2
Para todo nmero real se verifica que 2X = 2 2X
Si X e Y son variables independientes, entonces s2X + Y = 2X + 2Y.

Definicin de muestra aleatoria simple: Sea un fenmeno aleatorio en el que se estudia una
caracterstica de una poblacin sobre el que se mide una cierto parmetro asociado a la variable
estadstica X con determinada distribucin de probabilidades. Llamaremos muestra aleatoria
simple de la variable aleatoria X a la variable aleatoria n-dimensional (X1, X2, . . . , Xn) cuyas
variables aleatorias unidimensionales Xk con k = 1, 2, . . . n, que la componen son
independientes y con la misma distribucin de probabilidad (idnticamente distribuidas) que X.
5.3. Definicin de estimadores. Media, varianza y cuaivarianza muestral.
En la inferencia estadstica se suele plantear el problema de calcular uno o varios parmetros
desconocidos k de los que depende la distribucin conocida de la variable aleatoria X a partir
de la variable aleatoria simple. Muy usualmente estos parmetros son la media y desviacin
poblacionales.
Definicin de estimador: Sea (X1, X2, . . . , Xn), una muestra aleatoria simple de una variable
aleatoria X con distribucin conocida p() y con parmetro desconocido. Se llama estimador
de un parmetro desconocido , a toda funcin T(X1, X2, . . . , Xn) que permita aproximar a
dicho parmetro.
Definicin de estimador centrado o insesgado: Se dir que el estimador es centrado o
insesgado respecto del parmetro si E [ T(X1, X2, . . . , Xn)] =
Definicin de estimador consistente: Se dir que el estimador es consistente para el
parmetro
si
se
verifica
que lim E [T ( X 1 , . . ., X n )] =
n
lim V [T ( X 1 , . . ., X n )] = 0 .
n
Algunos de los estimadores ms utilizados son:
La media muestral: Sirve para estimar el parmetro media si es que este es desconocido
para la distribucin de X. T ( X 1 , X 2 , . . . , X n ) =
1 n
X k . Se suele representar mediante X .
n k =1
38
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
La varianza muestral: Sirve para estimar el parmetro varianza 2 si es que este es
desconocido para la distribucin de X. T ( X 1 , X 2 , . . . , X n ) =
1 n
Xk X
n k =1
) . Se representa
2
mediante s2.
La cuasivarianza muestral: Sirve para estimar el parmetro varianza 2 si es que este es
desconocido para la distribucin de X al igual que la media ..
T (X1, X 2 , . . . , X n ) =
n
2
1
X k X . Se suele representar mediante S2.
n 1 k =1
5.4. Propiedades de la media muestral.

1. La media de la media muestral es la media poblacional.
2. La varianza de la media muestral es el cociente de la varianza poblacional entre el tamao
muestral.
Esta propiedad hace de la media muestral sea un gran estimador para la media ya que
cuanto ms grande sea el tamao muestral de las muestras usadas, menos dispersa ser
la media muestral". Es decir, los datos de la medicin de la media muestral estarn tanto
ms localizados cuanto ms grande sea el tamao de las muestras que empleamos. Por
tanto, segn lo dicho antes, el estimador media muestral es consistente.

1. La media de la varianza muestral no es proporcional a la varianza poblacional.
2. La media de la cuasi varianza muestral es la varianza poblacional.
Enunciamos ahora la ley de los grandes nmeros. Este resultado es consecuencia fundamental
de la desigualdad de Chebyshef y juega un importante papel en la teora de probabilidades y
estadstica relacionando la media muestral y poblacional de una variable aleatoria X. En
particular:
Proporciona una interpretacin de la media como un valor esperado.

Proporciona en el caso binomial una formulacin del concepto de probabilidad en trminos
de lmites de frecuencias.
Ley de los grandes nmeros: Dada una variable aleatoria simple (X1, X2, . . . , Xn) de una
variable estadstica X con distribucin conocida p() y con parmetro desconocido. Se
verifica que
lim Px X x = 1
39
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
Observaciones.
1. La ley de los grandes nmeros explica que la media muestral es una variable aleatoria que,
bajo cualquier distribucin, tanto ms cercana es a la media poblacional de la variable X de
la que procede al aumentar el nmero de variables que la forman.
2. En el caso de que la v.a. X tenga distribucin Bernuilli de parmetro p, sabemos que x = p
y x = p(1 p). En ese caso, la ley de los grandes nmeros
lim Px X p = 1
Es decir, que cuantas ms repeticiones o experimentos de Bernouilli independientes e

idnticos realicemos, ms aproximacin existe entre la media muestral o proporcin de
xitos y el valor poblacional p.
3. El valor medio o media aritmtica de una variable aleatoria M(X) o E(X) recibe el nombre
a menudo de valor esperado o esperanza matemtica de la v.a. X. La razn de esta
denominacin est en la ley de los grandes nmeros ya que cuando se repite un nmero
grande de veces la medicin de la v.a. X, la media aritmtica en cada caso es una media
muestral que, de acuerdo con la ley de los grandes nmeros ser con gran probabilidad muy
cercana al valor de la media poblacional x.
4. La ley de los grandes nmeros da base para un posible modelo de definicin de la
probabilidad.
5.7. El teorema central del lmite. Estimacin de la media poblacional a partir de

intervalos de confianza para tamaos muestrales elevados.
Teorema central del lmite: Sea X una variable estadstica. Dado un intervalo I <
cualquiera de la recta. Para cada n natural sea pn ( X I ) , la probabilidad de que la media
muestral est en el intervalo I. En este caso,
lim pn ( X I )
N ( x, ,
I
)dx
Observaciones.
1. Lo que el teorema expresa es un resultado general que nos dice que para tamaos
muestrales suficientemente grandes, la media muestral es una variable estadstica con
distribucin normal de media, la media poblacional y de desviacin, el cociente de la
desviacin poblacional entre la raz cuadrada del tamao muestral.
X N X , X
n
40
www.magister.es
MATEMTICAS. Tema 58
MELC S.A.
Veamos ahora la aplicacin directa de este teorema para la inferencia de la media poblacional a
partir de la media muestral utilizando intervalos de confianza.
Si dada una variable estadstica X con distribucin de desviacin tpica conocida X,

deseamos formar un intervalo de confianza ( X , X + ) para la media poblacional para
tamaos muestrales suficientemente grandes entonces mediante el teorema central del
lmite, el intervalo deseado ser
X z / 2 X
n
, X + z / 2
Si dada una variable estadstica X con distribucin de desviacin tpica desconocida

X, deseamos formar un intervalo de confianza ( X , X + ) para la media poblacional
con tamaos muestrales suficientemente grandes entonces podemos reemplazar la
desviacin tpica (que no conocemos) por la cuasivarianza muestral y el intervalo deseado
ser
S
X tn 1, / 2 n
n
, X + tn 1, / 2
Sn
Observaciones.
1. Este procedimiento nos determina una cota inferior para el tamao muestral ya que dada la
desviacin conocida X, un valor > 0 cualquiera y una confianza 1 establecida de que
la media poblacional y la muestral se diferencian como mximo en , el menor natural n
que cumple es tal que, n z / 2 x

2. Por un procedimiento anlogo, si la desviacin es desconocida, dado un valor > 0

cualquiera y una confianza 1 establecida de que la media poblacional y la muestral se
diferencian como mximo en , el menor natural n que cumple es tal que,
2
n tn 1, / 2 n

5.8.
El concepto de valor esperado o esperanza matemtica
El valor medio o media poblacional X = M(X) de una variable estadstica recibe a menudo el
nombre de valor esperado o esperanza matemtica de la variable X.
La razn de estas denominaciones radica en los resultados de los teoremas de la ley de los
grandes nmeros y central del lmite. La cuestin es que cuando uno repite la medicin de una
variable cualquiera X un nmero grande de veces, el valor medio de los resultados es una
41
www.magister.es
MELC S.A.
MATEMTICAS. Tema 58
media muestral de tamao grande y por tanto de acuerdo con los teoremas anteriores ese valor
medido ser con gran probabilidad muy cercano al valor medio o media poblacional = M(X)
de X.
CUESTIONES.
1. Probar que la media muestral de la variable X es el nico nmero respecto del cual la
suma de las desviaciones de los datos es cero.
Solucin
Sea una variable aleatoria simple de la variable X, (X1, X2, . . ., Xn) y sea un nmero que
verifique que la suma de las desviaciones de los datos con respecto a ese valor es cero:
f (X
i
) = 0
Es claro que siempre se verifica:
f (X
i
) = fi X i fi = X 1 = 0 X =
2. Probar que s2(X + ) = s2(X).

Solucin
Sea una variable aleatoria simple de la variable X, (X1, X2, . . ., Xn). Basta operar en la
forma siguiente:
1
s( X + ) = f i ( X i ) X
n i
42
www.magister.es
))
2
1
= f i X i X = s( X )
n i

Tema 58 Oposiciones Secundaria Matemáticas

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tema 58 Oposiciones Secundaria Matemáticas

Enviado por

Direitos autorais:

Formatos disponíveis

Tema 58

Aspectos generales de la Estadstica y sus aplicaciones.

1.2. Objetivos y contenidos

La estructura global del tema es en resumen la siguiente:

Concepto de estadstica y fenmeno aleatorio.

No hacemos ninguna demostracin extensa, aunque se incluyen diversas demostraciones cortas

CONCEPTOS BSICOS SOBRE LA ESTADSTICA.

2.1. Breve resea histrica acerca de la Estadstica.

La integracin de ambas lneas de investigacin ha dado lugar a una ciencia experimental

Los fenmenos que no son aleatorios se denominan fenmenos deterministas.

POBLACIN, INDIVIDUO Y MUESTRA ALEATORIA DE UN FENMENO

Poblacin e individuo de un fenmeno aleatorio.

Dado un fenmeno aleatorio que se pretende investigar, debemos caracterizar inicialmente

Poblacin disponible: Es la que resulta tras la depuracin de los individuos de la

Poblacin investigada: Es la parte realmente accesible de la disponible.

3.2. Censo y marco de un fenmeno aleatorio.

Definicin de Censo: Es el estudio del fenmeno aleatorio en todos los elementos de la

Definicin de marco: Es el estudio del fenmeno, cuando se realiza sobre el total de la

El estudio puede deteriorar el sistema. Por ejemplo, la medida de la resistencia de una

3.3. Concepto de muestreo. Muestra y

tamao muestral. Muestra representativa.

Existen diferentes criterios de clasificacin de los diferentes tipos de muestreo, aunque en

Muestreo aleatorio o probabilstico

Definicin de muestreo o muestra aleatorio: Es aquella muestra que se toma en condiciones

Cada individuo de la poblacin tiene la misma probabilidad de ser elegido en la

Las consecuencias de la aleatoriedad en cada muestra garantiza la representatividad de la

Elimina influencia subjetiva del experimentador en el proceso de seleccin.

Por lo tanto, el muestreo aleatorio asegura la representatividad de la muestra extrada.

Sencillo y fcil de realizar.

Entre sus inconvenientes:

Requiere que se posea de antemano un listado completo de toda la poblacin.

2. Muestreo aleatorio sistemtico.

Sencillo y fcil comprensin.

Entre sus inconvenientes:

Si la constante de muestreo k guarda relacin o depende del fenmeno o incluso el modo

3. Muestreo aleatorio estratificado.

Afijacin Simple: Cada estrato tiene el mismo nmero de individuos.

Entre las ventajas de este tipo de muestreo aleatorio destacamos:

Tiende a asegurar que la muestra represente adecuadamente a la poblacin.

Entre sus inconvenientes:

La manera de eleccin de los estratos puede contener sesgo.

4. Muestreo aleatorio por conglomerados.

Es ms fcil y cmodo seleccionar conglomerados que realizar un muestreo aleatorio sobre

Entre sus inconvenientes:

La manera de eleccin de los conglomerados puede presentar sesgos cuando dichos

5. Muestreo aleatorio compuesto, polietpico.

Tiende a asegurar que la muestra represente adecuadamente a la poblacin.

Entre sus inconvenientes:

La manera de eleccin de las UPM o en DC puede contener sesgo dependiendo del

Muestreo no aleatorio o no probabilstico.

1. Muestreo no aleatorio de conveniencia.

Sencillo y fcil de realizar.

Entre sus inconvenientes:

Entra la subjetividad del encuestador o investigador a la hora de elegir a cada individuo.

2. Muestreo no aleatorio voluntario o de voluntarismo.

Sencillo y fcil de realizar.

Entre sus inconvenientes:

La localizacin o condiciones preconcebidas para la seleccin de los individuos de la

3. Muestreo no aleatorio por cuotas o accidental.

Tiende a asegurar que la muestra represente adecuadamente a la poblacin.

Entre sus inconvenientes:

La manera de eleccin de los estratos puede contener sesgo.

Este mtodo se utiliza mucho en las encuestas de opinin.

Son sencillas y de fcil aplicacin.