LA TEORIA

DEL
MUESTREO
Capitulo VI

Una muestra es una pequea porcin de un lote de material,

el cual contiene todos los componentes en la misma
proporcin que existe en el original. El objeto de cualquier
procedimiento de muestreo es obtener un porcin
representativa del todo .Las propiedades analizadas de la
muestra pueden ser usadas para predecir o pronosticar las
propiedades de la poblacin de la cual
la muestra fue
extrada.
El control de calidad de cualquier industria se basa en
procedimientos de muestreo constante y regular. Adems es
necesario un conocimiento de estadstica aplicada para el
caso que se desee pronosticar las caractersticas de la
poblacin a partir de los resultados de muestreo. El rol del
anlisis estadstico es grande en cualquier tecnologa donde
se desee establecer la validez de un conjunto de datos de
pruebas experimentales y donde se requiere tomar decisiones.
El muestreo y la inferencia estadstica son utilizados en
circunstancias en las cuales no es factible obtener informacin
de todos los integrantes de una poblacin, tales como en el
anlisis qumico y biolgico, control de calidad industrial o
investigaciones sociales. El mtodo ms elemental de

Por ejemplo: En una clase de 50 estudiantes para obtener

una muestra aleatoria de ese grupo cada estudiante tiene
exactamente la misma probabilidad 1/50 de ser
seleccionado.
Las prcticas deficientes de muestreo son una causa
primordial de inexactitudes en los valores calculados.
Desafortunadamente el muestreo preciso requiere de
grandes cantidades de materiales lo que hace del
muestreo una tarea difcil y costosa. El costo de las
instalaciones y personal para el muestreo es directo y
tangible, pero los beneficios de un muestreo preciso,
aunque indirectos, menos tangibles y de corto alcance,
pueden ser mas muestras buenas , fcilmente se genera
un falso sentido de seguridad en la mente del ingeniero en
la oficina cuando solamente ver los resultados numricos y
no observa cmo fueron tomadas las muestras en el
campo.
La composicin del material que se mueve en un proceso
es caractersticamente irregular, excepto en casos muy

Razones para el muestreo

Al desarrollarse una investigacin estadstica se deben seguir
ciertos pasos o etapas despus de definir el problema en trminos
estadsticos .Antes de recolectar los datos se debe decidir de que
forma se van a colectar dichos datos: es decir los procedimientos
a utilizar para obtener la muestra de manera que podamos
aprender algo acerca de la poblacin sobre la base de datos
extrados de una parte de ella.
Las razones para el muestreo se pueden definir como las
siguientes: primero , las poblaciones que se investigan pueden ser
infinitas , y en tales casos el muestreo es el nico procedimiento
posible : segundo, aun en casos de poblaciones finitas , y en tales
casos el muestreo es el nico procedimiento posible; pues la
poblacin
finita puede constar de millares o millones de
elementos y su recoleccin es completa es prcticamente
imposible; en tercer lugar , la medicin de propiedades de una
poblacin a veces requiere de la destruccin de sus elementos,
para determinar ciertas propiedades fsicas por ejemplo.
Los resultados obtenidos por el estudio de una muestra pueden
ser iguales o aun mas precisos que los hallados de una cuenta
completa de la poblacin puesto que ante la posibilidad de

Bases del muestreo

Aunque la diversidad es una cualidad universal de los
datos no hay virtualmente ninguna poblacin estadstica
en la practica cuyos elementos varen entre si sin imite .
Los hechos de que cualquier poblacin tiene propiedades
caractersticas y que en las variaciones de sus elementos
son claramente limitadas, hace posible que se escoja una
muestra relativamente pequea y al azar que pueda
reflejar bastante bien las caractersticas de la poblacin.
Otra propiedad interesante e importante de los datos es la
regularidad o uniformidad. Las fuerzas relacionadas pero
independientes que producen la variabilidad de una
poblacin estn a menudo tan equilibradas y concentradas
que tienden a general iguales valores arriba y debajo de
cierto valor central alrededor del cual tienden a agruparse
a mayor parte de los valores.

Debido a la uniformidad estadstica, si se escoge una

muestra grande al azar, las caractersticas de esta muestra
defieren muy poco de las caractersticas de la poblacin. La
uniformidad o regularidad es la tendencia de las
caractersticas mensurables al agruparse alrededor de
cierto centro de gravedad. La medida de tal tendencia
central es un promedio del que divergen las observaciones
individuales en cierta forma definida. Los promedios son
ms estables que los valores individuales. Adems los
promedios resultan ms estables cuanta ms observacin
haya en la muestra.
La razn bsica inferencias generalmente solo tomamos
una muestra. Sea esta grande o pequea estamos casi
seguros de que sus caractersticas no son exactamente la
de la poblacin Cmo podemos estar seguros entonces
sobre el grado de confianza de muestras conclusiones?La
respuesta a la pregunta es aleatoriedad .La medicin
objetiva de los errores por muestreo requiere que la
muestra sea al azar .Esto es as por que este conocimiento

El problema del muestreo

Los procedimientos para disear un procedimiento de
muestreo son : a)definir el objetivo del muestreo b)
especificar los materiales a muestrear en trminos de
cantidad de flujo y los rangos de los parmetros de calidad
del material c) definir la cantidad de muestra a extraerse
para lograr un determinado nivel de precisin y d) definir el
equipo a utilizar para el muestreo primerio que permita
obtener una muestra representativa y que no introduzca
errores segn las definiciones estadsticas.
El problema cualitativo en un mineral triturado se

describe en la figura.

6.1.En esta figura los elementos negros representan las

partculas de inters y el resto materiales de la ganga.

Una muestra del tamao apropiado deber contener una

representacin estadsticamente validad del todo. En esta
figura se puede contabilizar un total de partculas visibles en
la seccin de mineral que representa. Naturalmente se
encontraran diferente numero de partculas en otras
secciones no visibles , pero se puede asumir que las
partculas
ocultas
se
encuentran
distribuidas
completamente aleatorizadas de modo que cada seccin
contenga un numero proporcional de partculas de acuerdo
al tamao de la seccin.
El concepto de representacin de muestra se ilustra
tomando tres secciones del material de la Figura 6.1. Las
partes A y B poseen la misma rea cada una y la seccin C
es del doble del rea que las otras. Obsrvese la
superposicin de reas . Los granos de mineral
contabilizados son: A= 32; B = 19; y C=56.Si establecemos
una evaluacin de granos por rea observada se notara que
la seccin completa representada en al Figura 3.1. contiene
235 gramos/cm2: la seccin B = 1.79 gramos/cm2 ; y la
2

Esto ilustra el efecto del tamao de muestra (o peso) al

caracterizar un material por muestreo y tambin
proporciona un ejemplo cualitativo del problema de la
representacin estadstica de la tcnica de muestreo.
La muestra triturada de mineral comprende una coleccin
discreta de piezas de roca cada una con sus propias
caractersticas en tamao y contenido de mineral.
Porciones de rocas seleccionadas aleatoriamente de una
pila de mineral o de una corriente en movimiento de
mineral mostraran variaciones entre trozos al efectuar los
ensayos respectivos, esto debido a la distribucin no
uniforme del material, observndose variaciones de un
fragmente de roca a otro. Al existir variaciones entre los
fragmentos de roca se condiciona a un mayor nivel de
trituracin y as un mayor nmero de partculas minerales
se liberan de la ganga estril. Con una muestra consistente
de partculas de diferente tamao las variaciones entre
muestra disminuirn al incrementarse el tamao de
muestra ( mayor cantidad de partculas se incluyen en la

Las variaciones entre muestra se podrn disminuir al nivel

deseado con el incremento del tamao de muestra.
Naturalmente esto acarrea mayores costos en la
operacin de muestreo.
Diversos aspectos emergen de esas observaciones.
Primero el tamao de muestra esta relacionado al nivel de
variacin entre muestra.
Segundo para observar variaciones en un caso especifico
es necesario observar muestras del mismo peso a mayor
numero de muestras mejor ser el estimado estadstico
de las variaciones entre muestra. Tercero para obtener
una valor de variacin entre muestra fija ya sea el tamao
de muestra y variar el numero de muestras o fijar el
numero de muestras y variar el tamao de muestra para
obtener la precisin de muestreo.
Cuarto el tamao de muestra es influenciado por la
abundancia del mineral til; un mineral de alta ley se
podr caracterizar adecuadamente con una muestra

Un quinto punto refiere la relacin entre el tamao del

mineral valioso y el tamao de la roca; si la relacin es
pequea la muestra deber ser necesariamente mayor
para obtener una caracterizacin mas adecuada. Este
punto refiere por lo tanto al grado de dispersin del
mineral. Finalmente para minimizar el tamao de
muestra es preferible muestrear pequeas partculas en
vez de grandes trozos.

Probabilidad y Muestreo
Para ilustrar estadsticamente el problema del muestreo
consideremos el siguiente ejemplo. Se tiene una
poblacin de 100 frijoles la cual consiste en 10 frijoles
negros y 90 frijoles blancos ( los frijoles negros
representan al elemento de inters y los blancos a los
dems constituyentes de una poblacin). Si se sacara
una muestra de 10 frijoles de la poblacin Cules son

Obsrvese que en una muestra de 10 frijoles obtener un

frijol negro y nueve blancos seria una muestra
representativa del total y esta combinacin tiene una
probabilidad de 0.387 o sea se tiene aproximadamente
39% de posibilidades de obtener una muestra totalmente
representativa del todo.
Obsrvese ahora el problema del muestreo de otra manera
se tiene un recipiente con 250 frijoles negros y 750 frijoles
blancos .Los frijoles negros representan al elemento de
inters y los blancos a los dems constituyentes de una
poblacin. Se sacan del recipiente muestras de 1 frijoles y
se contabiliza el nmero de frijoles negros de cada muestra
extrada. Se repite el procedimiento 1 000 veces. Los
resultados reales del experimento se dan en la tabla 6.1. y
se comparan
con los resultados tericos que se obtienen

utilizando la formula.

Figura 6.2.Histograma del experimento de extraccin

de muestras de 100 frijoles.

De estos resultados tabulados se puede observar que si

se sacan 1000 muestras solamente 92 de las 1000
representaran correctamente el valor de la poblacin es
decir 92 contienen 25 frijoles negros y 75 blancos cada
una. Sin embargo las otras 908 muestras tambin serian
valores verdaderos causales o al azar y no pueden ser

La

figura 6.2. describe a distribucin normal de la

extraccin de frijoles segn los valores calculados y los
valores reales observados. Ntese la gran aproximacin
existente entre ambos grficos. Obsrvese tambin que la
gran mayora de extracciones caen en el intervalo [19,31]
frijoles negros de una muestra de 100.Asociado este
concepto bajas probabilidades ms bien la mayora de
muestras obtenidas adecuadamente se distribuirn en un
rango determinado alrededor del verdadero valor.
Prueba normalidad
La distribucin normal es un modelo terico que describe la
variabilidad en la variable X, y se asume que los parmetros
de poblacin y son conocidos. Supngase que estos
parmetros son desconocidos y se deben estimar estos de
una muestra de tamao n, los naturales estimadores son el
promedio y varianza demuestra respectivamente y s2. Ya
que son solo estimados de los parmetros de poblacin y
no se sabe si la distribucin normal proporciona el modelo
apropiado para el anlisis de la variabilidad de las

Tal

vez la manera mas simple de verificar si las

observaciones provienen de una distribucin normal es
elaborando el histograma de las observaciones. Ya que la
frecuencia relativa de un histograma es un estimado de la
densidad de probabilidad se debe verificar si el grafico se
asemeja a la curva de la campana correspondiente a la
distribucin normal. Sin embargo es difcil verificar si un
pequeo nmero de datos proviene de una distribucin
normal.
Los percentiles qi normales dependen de los parmetros
y . En la practica se puede reemplazar estos parmetros
por sus estimados
y s2 .Alternativamente se puede
graficar los valores estandarizados Zi versus los respectivos
percentiles xi ya que qi = +sz1 y que bajo normalidad xi qi
se encuentra que los puntos de un diagrama de dispersin
de z1 vs x1 deben caer aproximadamente e una lnea recta
con pendiente 1/s y que pasa por el punto ( ,0).Tal grafico
se denomina grafico de probabilidad normal. Si se observa

Ejemplo: Para ilustrar el procedimiento se tomara los 10

primeros datos de la Tabla 1.2. (Pg. 5) de Resistencia a la
compresin de bloques de concreto estos datos ordenados
segn su posicin ordinal son como sigue:
Ord 1
en
Valo 31.3
r

10

32.3

42.2

42.3

44.5

47.5

49.2

50.0

53.9

60.9

Tabla 6.2. Primeras 10 observaciones de la Tabla 1.2. de

Resistencia a la comprensin de bloques de concreto y sus
valores normales.
Observacion
es

Posicin

Valor
Normal

49.2

0.65

0.39

53.9

0.85

1.04

50.0

0.75

0.67

44.5

0.45

-0.13

42.2

0.25

-0.67

42.3

0.35

-0.39

32.3

0.15

-1.04

31.3

0.005

-1.64

60.9

10

0.95

1.64

47.5

0.55

0.13

Figura 6.2. Grafico de probabilidad normal

Ya que los datos exhiben una relacin lineal bastante

buena se puede aceptar con seguridad que los datos
provienen de una distribucin normal.

Determinacin del tamao de muestra

La determinacin del tamao de muestra es
importante puesto que si se toma una muestra muy
pequea no ser representativa y si la muestra es
muy grande, se estara desperdiciando recursos. Por
ellos el tamao de muestra adecuado deber ser
considerado correctamente.
6.6.1. Tamao de muestra para definir el intervalo de
confianza del promedio
Se est planificando un experimento y se quiere estar
100(1-) por ciento seguro de que el estimado esta a h
unidades del parmetro desconocido . Por ejemplo
queremos estar con el 95% de confianza que nuestro
estimado se encuentre a h=2 unidades de Cun
grande debemos tomar la muestra n para estimar
con tal precisin?

Ya que:

Expresin

que permite el nmero mnimo de muestras n, a

considerarse en un muestreo. Esto requiere conocer
de
anteriores pruebas o datos. La expresin anterior denota
que el tamao de muestra n, se incrementa al
incrementarse el coeficiente de confianza (1 ) y disminuye
al incrementarse h. Algunas veces se requerir bastante
precisin por lo que n debe ser muy grande. Pero si no es
posible recolectar grandes muestras se deber reducir el
coeficiente de confianza o incrementar el ancho del rango h.

Tamao de muestra para evaluar la diferencia de

dos promedios
Si se conocen ( al menor
aproximadamente) las
desviaciones estndar
y los tamaos de las dos
muestras se consideran iguales n1 = n2 = n entonces
puede determinarse el tamao requerido de la muestra
de modo que se tenga confianza del 100(1-) por ciento
en que el error en la estimacin de 1 - 2 sea menor
que h. El tamao requerido para la muestra de cada

Muestreo mediante incrementos

El muestreo por incrementos es el termino aplicado a la forma

de muestreo en el que un numero de incrementos
especficamente medidos
se sacan de la poblacin y se
compositan para formar la muestra apropiada. En nmero real
de incrementos requeridos y el tamao de cada incremento son
funciones de los patrones se segregacin y dispersin de los
valores de la poblacin. Cuando el muestreo mediante
incrementos se efecta correctamente los resultados deben ser
representados por una curva de distribucin normal, donde la
frecuencia se plotea contra el grado. Entonces es posible aplicar
teora de la probabilidad a los resultados iniciales de muestreo y
predecir el numero de incrementos que sera requerido para dar
un error especifico probable de estimacin a cualquier nivel de
confianza deseado.
Ya que:

Ejemplo

de Aplicacin
Doce muestras de 5 libras son tomadas de un lote de
mineral que contiene cinc, los cuales ensayaron lo
siguiente en % se Zn.
7.04; 8.10 ; 8.85, 6.25; 7.69; 8.73; 8.35; 7.57; 7.96; 9.30;
8.50; 7.49.
Cuntos incrementos deben ser compositados con el
objeto de que la muestra composito ensaye dentro de 2%
del ensaye verdadero a un nivel de confianza de 95%?
Solucin
Valor promedio: 7.99
Varianza: S2= 0.847
Desviacin estndar S= 0.847
Error permisible de estimacin e= (
Z= 1.96 para 95% de nivel de confianza
n= (
Se debe compositor 108 muestras de mineral para que el
resultado final se encuentre en un rango de 2 % alrededor
del verdadero promedio.

GRACIAS
POR SU
ATENCIN