INSTITUTO DE EDUCACIÓN DIGITAL DELEITADO DE PUEBLA

ING. DANIEL LAZCANO ARROYO

ALUMNA: ESMERALDA VERA MARTÍNEZ

MATERIA: PROBABILIDAD Y ESTADÍSTICA

CARRERA: ING. INDUSTRIAL

1 Distribución de probabilidad

1.1 Distribución binominal

La distribución binomial o de Bernoulli

La distribución binomial está asociada a experimentos del siguiente tipo:

– Realizamos n veces cierto experimento en el que consideramos sólo la posibilidad de éxito o fracaso.

– La obtención de éxito o fracaso en cada ocasión es independiente de la obtención de éxito o fracaso

en las demás ocasiones. Siendo p la probabilidad de éxito y q la probabilidad de fracaso ( q=1-p)

Play Video

– La probabilidad de obtener éxito o fracaso siempre es la misma en cada ocasión.

La distribución binomial se suele representar por B(n, p).

Siendo n el número de intentos y p la probabilidad de éxito.

1.2 Números combinatorios

ver explicación

1.3 La distribución binomial por fórmula

ver explicación

Distribución Binomial

Siendo :

n es el número de pruebas.

k es el número de éxitos.

p es la probabilidad de éxito.

q= 1-p es la probabilidad de fracaso.

Numero combinatorio ver como se calcula

1.4 Ejemplos

Ejemplo 01

Un jugador encesta con probabilidad 0.55. Calcula la probabilidad de que al tirar 6 veces enceste:

1. a) 4 veces. b) todas las veces c) ninguna vez ver solución

Ejemplo 02

Un jugador marca el 85% de los penaltis que intenta. Si lanza 8 penaltis calcular la probabilidad de

1. a) Marque más de 6 penaltis

2. b) Marque al menos 6 penaltis

ver solución

Ejemplo 03

La probabilidad de que un tirador acierte en el blanco es de1/4. Si tira 5 veces calcular la probabilidad de

1. a) Que acierte como máximo 2 veces

2. b) Que acierte alguna vez

ver solución

1.5 La distribución binomial por tabla

(la tabla está en pdf) ver explicación

1.6 Parámetros de la distribución binomial.

ver explicación

1.2 Distribución normal y sus aplicaciones

La distribución normal fue reconocida por primera vez por el francés Abraham de Moivre (1667-
1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elaboró desarrollos más profundos y
formuló la ecuación de la curva; de ahí que también se la conozca, más comúnmente, como
la "campana de Gauss". La distribución de una variable normal está completamente determinada
por dos parámetros, su media y su desviación estándar, denotadas generalmente por y . Con
esta notación, la densidad de la normal viene dada por la ecuación:

Ecuación 1:
que determina la curva en forma de campana que tan bien conocemos (Figura 2). Así, se dice que
una característica sigue una distribución normal de media y varianza , y se denota
como , si su función de densidad viene dada por la Ecuación 1.
Al igual que ocurría con un histograma, en el que el área de cada rectángulo es proporcional al
número de datos en el rango de valores correspondiente si, tal y como se muestra en la Figura 2, en
el eje horizontal se levantan perpendiculares en dos puntos a y b, el área bajo la curva delimitada
por esas líneas indica la probabilidad de que la variable de interés, X, tome un valor cualquiera en
ese intervalo. Puesto que la curva alcanza su mayor altura en torno a la media, mientras que sus
"ramas" se extienden asintóticamente hacia los ejes, cuando una variable siga una distribución
 normal, será mucho más probable observar un dato cercano al valor medio que uno que se
encuentre muy alejado de éste.
Propiedades de la distribución normal:
La distribución normal posee ciertas propiedades importantes que conviene destacar:
i. Tiene una única moda, que coincide con su media y su mediana.
ii. La curva normal es asintótica al eje de abscisas. Por ello, cualquier valor entre y es
teóricamente posible. El área total bajo la curva es, por tanto, igual a 1.
iii. Es simétrica con respecto a su media . Según esto, para este tipo de variables existe una probabilidad
de un 50% de observar un dato mayor que la media, y un 50% de observar un dato menor.
iv. La distancia entre la línea trazada en la media y el punto de inflexión de la curva es igual a una desviación
típica ( ). Cuanto mayor sea , más aplanada será la curva de la densidad.
v. El área bajo la curva comprendido entre los valores situados aproximadamente a dos desviaciones
estándar de la media es igual a 0.95. En concreto, existe un 95% de posibilidades de observar un valor
comprendido en el intervalo .
vi. La forma de la campana de Gauss depende de los parámetros y (Figura 3). La media indica la
posición de la campana, de modo que para diferentes valores de la gráfica es desplazada a lo largo
del eje horizontal. Por otra parte, la desviación estándar determina el grado de apuntamiento de la
curva. Cuanto mayor sea el valor de , más se dispersarán los datos en torno a la media y la curva será
más plana. Un valor pequeño de este parámetro indica, por tanto, una gran probabilidad de obtener
datos cercanos al valor medio de la distribución.
Como se deduce de este último apartado, no existe una única distribución normal, sino una familia
de distribuciones con una forma común, diferenciadas por los valores de su media y su varianza. De
entre todas ellas, la más utilizada es la distribución normal estándar, que corresponde a una
distribución de media 0 y varianza 1. Así, la expresión que define su densidad se puede obtener de
la Ecuación 1, resultando:

Es importante conocer que, a partir de cualquier variable X que siga una distribución , se
puede obtener otra característica Z con una distribución normal estándar, sin más que efectuar la
transformación:

Ecuación 2:
Esta propiedad resulta especialmente interesante en la práctica, ya que para una
distribución existen tablas publicadas (Tabla 1) a partir de las que se puede obtener de modo
sencillo la probabilidad de observar un dato menor o igual a un cierto valor z, y que permitirán
resolver preguntas de probabilidad acerca del comportamiento de variables de las que se sabe o se
asume que siguen una distribución aproximadamente normal.
Consideremos, por ejemplo, el siguiente problema: supongamos que se sabe que el peso de los
sujetos de una determinada población sigue una distribución aproximadamente normal, con una
media de 80 Kg y una desviación estándar de 10 Kg. ¿Podremos saber cuál es la probabilidad de que
una persona, elegida al azar, tenga un peso superior a 100 Kg?
Denotando por X a la variable que representa el peso de los individuos en esa población, ésta sigue
una distribución . Si su distribución fuese la de una normal estándar podríamos utilizar
la Tabla 1 para calcular la probabilidad que nos interesa. Como éste no es el caso, resultará entonces
útil transformar esta característica según la Ecuación 2, y obtener la variable:
para poder utilizar dicha tabla. Así, la probabilidad que se desea calcular será:

Como el área total bajo la curva es igual a 1, se puede deducir que:

Esta última probabilidad puede ser fácilmente obtenida a partir de la Tabla 1, resultando
ser . Por lo tanto, la probabilidad buscada de que una persona elegida
aleatoriamente de esa población tenga un peso mayor de 100 Kg , es de 1–0.9772=0.0228, es decir,
aproximadamente de un 2.3%.
De modo análogo, podemos obtener la probabilidad de que el peso de un sujeto esté entre 60 y 100
Kg:

De la Figura 2, tomando a=-2 y b=2, podemos deducir que:

Por el ejemplo previo, se sabe que . Para la segunda probabilidad, sin embargo,
encontramos el problema de que las tablas estándar no proporcionan el valor de para
valores negativos de la variable. Sin embargo, haciendo uso de la simetría de la distribución normal,
se tiene que:

Finalmente, la probabilidad buscada de que una persona elegida al azar tenga un peso entre 60 y
100 Kg., es de 0.9772-0.0228=0.9544, es decir, aproximadamente de un 95%. Resulta interesante
comprobar que se obtendría la misma conclusión recurriendo a la propiedad (iii) de la distribución
normal.
No obstante, es fácil observar que este tipo de situaciones no corresponde a lo que habitualmente
nos encontramos en la práctica. Generalmente no se dispone de información acerca de la
distribución teórica de la población, sino que más bien el problema se plantea a la inversa: a partir
de una muestra extraída al azar de la población que se desea estudiar, se realizan una serie de
mediciones y se desea extrapolar los resultados obtenidos a la población de origen. En un ejemplo
similar al anterior, supongamos que se dispone del peso de n=100 individuos de esa misma
población, obteniéndose una media muestral de Kg, y una desviación estándar
muestral Kg, querríamos extraer alguna conclusión acerca del valor medio real de ese peso
en la población original. La solución a este tipo de cuestiones se basa en un resultado elemental de
la teoría estadística, el llamado teorema central del límite. Dicho axioma viene a decirnos que las
medias de muestras aleatorias de cualquier variable siguen ellas mismas una distribución normal con

igual media que la de la población y desviación estándar la de la población dividida por . En

nuestro caso, podremos entonces considerar la media muestral , con lo cual, a

partir de la propiedad (iii) se conoce que aproximadamente un 95% de los posibles valores

de caerían dentro del intervalo . Puesto que los valores

de y son desconocidos, podríamos pensar en aproximarlos por sus análogos muestrales,
 resultando . Estaremos, por lo tanto, un 95%
seguros de que el peso medio real en la población de origen oscila entre 75.6 Kg y 80.3 Kg. Aunque
la teoría

estadística subyacente es mucho más compleja, en líneas generales éste es el modo de construir un
intervalo de confianza para la media de una población.

1.3 Distribución de poisson

Esta distribución es una de las más importantes distribuciones de variable discreta. Sus principales
aplicaciones hacen referencia a la modelización de situaciones en las que nos interesa determinar el
número de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio,
bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes
es la consideración límite de procesos dicotómicos reiterados un gran número de veces si la
probabilidad de obtener un éxito es muy pequeña .
Proceso experimental del que se puede hacer derivar
Esta distribución se puede hacer derivar de un proceso experimental de observación en el que
tengamos las siguientes características
· Se observa la realización de hechos de cierto tipo durante un cierto periodo de tiempo o a lo largo
de un espacio de observación
· Los hechos a observar tienen naturaleza aleatoria ; pueden producirse o no de una manera no
determinística.
· La probabilidad de que se produzcan un número x de éxitos en un intervalo de amplitud t no
depende del origen del intervalo (Aunque, sí de su amplitud)
· La probabilidad de que ocurra un hecho en un intervalo infinitésimo es prácticamente proporcional
a la amplitud del intervalo.
· La probabilidad de que se produzcan 2 o más hechos en un intervalo infinitésimo es un infinitésimo
de orden superior a dos.
En consecuencia, en un intervalo infinitésimo podrán producirse O ó 1 hecho pero nunca más de uno
· Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique o designe el
"número de hechos que se producen en un intervalo de tiempo o de espacio", la variable X se
distribuye con una distribución de parámetro l . Así :
El parámetro de la distribución es, en principio, el factor de proporcionalidad para la probabilidad
de un hecho en un intervalo infinitésimo. Se le suele designar como parámetro de intensidad ,
aunque más tarde veremos que se corresponde con el número medio de hechos que cabe esperar
que se produzcan en un intervalo unitario (media de la distribución); y que también coincide con la
varianza de la distribución.
Por otro lado es evidente que se trata de un modelo discreto y que el campo de variación de la

variable será el conjunto de los número naturales, incluido el cero:

Función de cuantía
A partir de las hipótesis del proceso, se obtiene una ecuación diferencial de definición del mismo
que puede integrarse con facilidad para obtener la función de cuantía de la variable "número de
hechos que ocurren en un intervalo unitario de tiempo o espacio "

Que sería : ir a programa de cálculo

 Cuya representación gráfica para un modelo de
media 11 sería la adjunta .
Obsérvense los valores próximos en la media y su
forma parecida a la campana de Gauss , en
definitiva , a la distribución normal

La función de distribución vendrá dada por

:
Función Generatriz de Momentos

Su expresión será :

dado que tendremos que

luego :
Para la obtención de la media y la varianza aplicaríamos la F.G.M.; derivándola sucesivamente e
igualando t a cero .
Así.

Una vez obtenida la media , obtendríamos la varianza en base a :

haciendo t = 0

por lo que =
así se observa que media y varianza coinciden con el parámetro del modelo
siendo , l
En cuanto a la moda del modelo tendremos que será el valor de la variable que tenga mayor

probabilidad , por tanto si Mo es el valor modal se cumplirá que :

 Y, en particular:
A partir de estas dos desigualdades, es muy sencillo probar que la moda tiene que
verificar: De manera que la moda será la parte entera del parámetro l o dicho de
otra forma, la parte entera de la media
Podemos observar cómo el intervalo al que debe pertenecer la moda tiene una amplitud de una
unidad , de manera que la única posibilidad de que una distribución tenga dos modas será que los
extremos de este intervalo sean números naturales, o lo que es lo mismo que el parámetro l sea
entero, en cuyo caso las dos modas serán l -1 y l .
Teorema de adición.
La distribución de Poisson verifica el teorema de adición para el parámetro l .
"La variable suma de dos o más variables independientes que tengan una distribución de Poisson de
distintos parámetros l (de distintas medias) se distribuirá, también con una distribución de Poisson
con parámetro l la suma de los parámetros l (con media, la suma de las medias) :
En efecto:
Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de Poisson de distintos
parámetros siendo además x e y independientes
Así e
Debemos probar que la variable Z= x+y seguirá una Poisson con parámetro igual a la suma de
los de ambas:

En base a las F.G.M para X

Para Y
De manera que la función generatriz de momentos de Z será el producto de ambas ya que son

independientes :

Siendo la F.G.M de una Poisson

Convergencia de la distribución binomial a la Poisson

Se puede probar que la distribución binomial tiende a converger a la distribución de Poisson
cuando el parámetro n tiende a infinito y el parámetro p tiende a ser cero, de manera que el producto
de n por p sea una cantidad constante. De ocurrir esto la distribución binomial tiende a un modelo
de Poisson de parámetro l igual a n por p
Este resultado es importante a la hora del cálculo de probabilidades , o , incluso a la hora de inferir

características de la distribución binomial cuando el número de pruebas sea muy grande y

la probabilidad de éxito sea muy pequeña .

El resultado se prueba , comprobando como la función de cuantía de una distribución binomial

con y tiende a una función de cuantía de una distribución de Poisson

con siempre que este producto sea una cantidad constante ( un valor finito)

En efecto : la función de cuantía de la binomial es

 Y llamamos tendremos que:

realizando que es la función de cuantía de una distribución de

Poisson

Estimación Bayesiana sobre muestras de poisson.

Análogamente a como planteábamos el problema de necesitar estimar la proporción de una
característica ,en el caso de un modelo binomial , en alguna situación práctica , podemos estar
interesados en determinar el parámetro desconocido de una distribución de Poisson. Por ejemplo
podríamos estar interesados en determinar el número medio de clientes que acuden a una ventanilla
de una oficina pública.
El planteamiento de la estimación podría hacerse utilizando información suministrada por una
experiencia {la observación de cuántos hechos se producen en un intervalo
experimental),conjuntamente con algún otro tipo de información a priori .En este caso, estaríamos
,como ya comentábamos en el caso binomial ante un planteamiento bayesiano del problema.
La solución requerirá que dispongamos de una información inicial que puede especificarse a través
de una distribución a priori de probabilidad. De manera que la función de cuantía de esta distribución
a priori (o su f. de densidad si fuera continua) nos asigne probabilidades a cada posible valor del
parámetro l .
Utilizando únicamente la información inicial la estimación sería la media de la distribución a priori.
Pero realizando una experiencia podremos mejorar la información acerca de l Si observamos la
realización de hechos durante un intervalo experimental y se producen x hechos, para cada posible
valor de l podremos calcular su verosimilitud definida como la probabilidad de que se dé ese
resultado si el valor de l es el considerado:

Obviamente esta probabilidad condicionada será la función de cuantía de una distribución de

Poisson con . para el valor de la variable x.

Finalmente podemos calcular las probabilidades de cada valor alternativo de , condicionada al
resultado de la experiencia aplicando el teorema de Bayes:

Estas probabilidades finales (a posteriori) constituirán la función de cuantía de la distribución a

posteriori que nos dará cuenta de toda la información disponible (tanto muestral como no muestral)
.
La estimación mejorada del parámetro será, entonces, la media de la distribución a posteriori.
Planteamos un ejemplo:
Tres ejecutivos del Insalud opinan que el número medio de pacientes que llegan a cierto servicio
nocturno de guardia durante una hora es 2 , según el primero, 3 , según el segundo, y 5 según el
tercero.
 Sus opiniones pueden ponderarse teniendo en cuenta que el primero tiene el doble de experiencia
profesional que los otros dos.
Para tomar una decisión de asignación de personal en ese servicio quieren estimar el número
medio de pacientes, sin despreciar sus opiniones , por lo que realiza una experiencia controlando
una hora de actividad en el servicio en la que acuden 3 pacientes .Esta información la van a combinar
con la inicial a través de un proceso Bayesiano :¿cómo lo harían?
La distribución a priori será tal que deberá asignarse el doble de probabilidad a la alternativa
propuesta por el primer experto que a las de los otros dos. Así que será:
li P(l i)

2 0,5

3 0,25

4 0,25

De manera que la estimación inicial de sería,la media de la distribución a priori:

Realizada la experiencia, las verosimilitudes de las tres alternativas nos vendrán dadas por la función
de cuantía de la distribución de Poisson, con
li

2 0,180447

3 0,224042

5 0,140374

La función de cuantía de la distribución a posteriori la obtendremos aplicando el Teorema de Bayes

y resultará ser:
li

2 0,497572

3 0,308891

5 0,193536

Esta distribución a posteriori nos dará cuenta de toda la información disponible acerca del parámetro
desconocido, (número medio de pacientes por hora); tanto de la información subjetiva de los
expertos (convenientemente ponderada) como de la información empírica suministrada por la
observación.
A partir de esta distribución a posteriori podemos plantear nos dar un valor concreto para la
estimación de considerando una función de pérdida cuadrática . La estimación adecuada sería la
media de la distribución a posteriori:
 pacientes la hora

1.4 Distribución multinomial

La distribución Multinomial

Este modelo se puede ver como una generalización del Binomial en el que, en lugar de tener dos
posibles resultados, tenemos r resultados posibles.
Supongamos que el resultado de una determinada experiencia puede ser r valores distintos: A1, A2,
..., Ar cada uno de ellos con probabilidad p1, p2, ..., pr, respectivamente.

Si repetimos la experiencia n veces en condiciones independientes, podemos preguntarnos la

probabilidad de que el suceso A1 aparezca k1 veces, el suceso A2, k2 veces y así sucesivamente:

Al modelo estadístico que nos da dicha probabilidad se le denomina Multinomial, y su función de

densidad viene dada por:

como se ve, el modelo Multinomial queda definido por los parámetros (n, p1, p2, ..., pr). La fórmula
anterior puede deducirse de forma análoga al caso Binomial. En realidad, si tomamos r = 2 tenemos
exactamente el modelo Binomial.
Se debe destacar que este modelo es un ejemplo de distribución multivariante, es decir, de
distribución conjunta de varias (r) variables aleatorias. En efecto, si definimos la variable
aleatoria X1 como número de veces que se produce el suceso A1 de un total de n experiencias, y así
sucesivamente, tenemos un conjunto de r variables aleatorias discretas cuya función de densidad
conjunta (valorada a la vez) viene definida por la anterior fórmula. Nótese que si consideramos cada
una de estas variables Xi (i = 1, 2, ..., r) por separado, su distribución es la Binomial de
parámetros n y pi.

2 Teoría general del muestreo

2.1 Teoría del muestreo

Cada sistema de muestreo se usa para obtener estimaciones de ciertas propiedades de la población
objeto de estudio, y será tanto más adecuado cuanto mejores sean las estimaciones que
proporcione. Las estimaciones individuales pueden ser, por casualidad, muy aproximadas o diferir
considerablemente del verdadero valor, dando una prueba deficiente de los méritos del sistema. Un
mal sistema de muestreo puede dar a veces algunas estimaciones muy exactas, así como también
un buen sistema dar alguna muy alejada del verdadero valor. La mejor manera de juzgar un sistema
de muestreo consiste en observar la distribución de frecuencias de las estimaciones que se obtienen
por muestreos repetidos. Un buen sistema proporciona estimaciones cuya distribución de
frecuencias posee una pequeña variancia y su valor medio está muy próximo al valor verdadero. La
diferencia entre la estimación media y el valor verdadero se denomina sesgo. (El término «sesgo» se
usa también refiriéndose al proceso por el cual se producen las diferencias.) Las magnitudes del
sesgo y la variancia de un sistema de muestreo son, en una gran extensión, independientes entre sí;
un sistema puede dar estimaciones con una pequeña variancia, es decir, difiriendo poco entre ellas,
pero con un gran sesgo, esto es, quedando todas las estimaciones muy lejos del valor verdadero. (Un
ictiómetro con las cifras de la escala casi ilegibles introducirá cierta variancia extra; y un medidor con
la escala desplazada producirá un sesgo.)
Ejemplo 2.1.1
Dos observadores examinan el porcentaje en que aparece en capturas de peces una especie
de Leiognathus en una mezcla con otras varias. El observador A trabaja rápidamente pero con poco
cuidado, equivocándose en la identificación de algunos peces; el observador B trabaja mucho más
lentamente pero con más cuidado. Según una serie de muestras, las estimaciones del porcentaje de
presencia de Leiognathus splendens en las capturas fueron
A. 4 4 3 5 4

3 5 4 6 4

6 3 4 3 5

4 5 4 4 6

5 3 5 4 5

B. 9 7 11 4 8

4 10 8 9 12

8 3 6 10 15

11 12 7 13 11

10 5 8 9 12

Después de calculadas las medias y variancias de las anteriores distribuciones, resulta que: (a) las
estimaciones obtenidas por A son más precisas (tienen una variancia menor) que las de B(0,89:
9,03); (b) sabiendo, por otras estimaciones, que el verdadero porcentaje es 9,1, resulta que A tiene
un fuerte sesgo negativo; (c) si se admite que A omite la mitad de los peces, se puede obtener una
estimación relativamente no sesgada y precisa duplicando las estimaciones obtenidas por A (media
8,64, sesgo [o sea, diferencia entre la media estimada y la real] - 0,46, variancia 3,6).
Se puede producir un sesgo como consecuencia de un método deficiente de análisis, pero con más
frecuencia por una elección defectuosa de las muestras, o por el mismo método que se emplea para
realizar las mediciones o al contar las muestras; por ejemplo, si los peces se clasifican por tamaños
al ser desembarcados, y se toma una muestra de una partida de los grandes, se producirá una
sobreestimación de la talla - un sesgo positivo en la talla media - o si se hacen caladas con una red
clara para plancton, al escapar las diatomeas pequeñas, quedarán éstas subestimadas, mientras que
las grandes resultarán sobreestimadas (sesgos negativo y positivo respectivamente en la proporción
de diatomeas pequeñas y grandes). Es difícil librarse de los sesgos, especialmente si se toman
muestras en ambientes marinos naturales, bien de diatomeas con una red de plancton, o peces con
un arte de arrastre.
Por más que se aumente el tamaño de la muestra, o se combinen varias de ellas, el sesgo permanece
inalterado, pero la variancia se reducirá de una manera inversamente proporcional al tamaño de la
muestra, o al número de muestras combinadas. Esta doble manera de reducir la variancia está, a su
vez, muy en relación con el problema del ahorro de trabajo y del costo de un programa de muestreo.
Al menos en teoría, se puede obtener un grado de precisión1 determinado, tomando una muestra
suficientemente grande. El objetivo de un buen muestreo es no sólo obtener un nivel de precisión
(variancia pequeña), sino también hacerlo con el menor costo. El sesgo, por el contrario, no puede
ser reducido aumentando el muestreo, y a menudo no se logra descubrir su presencia por un análisis
de los datos (en el Ejemplo 2.1.1 no hay ningún indicio para que, por medio de los propios datos,
podamos descubrir si las muestras A o B están sesgadas). Normalmente, el sesgo sólo podrá
descubrirse y eliminarse nada más que a través de un examen cuidadoso del sistema de muestreo,
desde el comienzo al fin. En la mayor parte de las situaciones, debe ponerse un gran cuidado para
comprobar que han sido eliminadas todas las fuentes probables de sesgos. Sin embargo, hay casos
en los que resulta muy fácil medir el sesgo y, por lo tanto, eliminarlo de los análisis posteriores (por
ejemplo, las redes de enmalle son altamente selectivas del tamaño de los peces que capturan, y
darán muestras sesgadas en la estimación de la talla media. Sin embargo, esta selectividad puede
ser medida, y corregida, en los análisis posteriores). No obstante, en este caso, como en todos los
demás, es preciso examinar todas las posibilidades de sesgos antes de proceder al muestreo y, si se
reconoce la existencia de un sesgo, éste debe medirse cuidadosamente, independientemente del
proceso del muestreo.
1
Conviene aquí seguir manteniendo la distinción entre precisión y exactitud, que se corresponde
estrechamente con la distinción entre variancia y sesgo (o, más bien, sus recíprocos). Una cantidad
precisa tendrá poca variancia y será dada con muchas cifras, pero puede estar alejada del valor
verdadero. Siendo la talla real de un pez 17,638 cm, serán mediciones precisas de su longitud 17,64
cm, ó 18,32 cm, pero esta última será aproximadamente inexacta. Más exactas, pero menos precisas,
serán las tallas de 17,6 ó 18 cm.
Ejemplo 2.1.2
En el Ejemplo 2.1.1 puede considerarse que las muestras mayores están compuestas por otras cinco
de las originales. Tomando la media de estas muestras menores, como una estimación de las
grandes, aparece:
a) que las variancias de las dos series han sido reducidas (la de A de 0,89 a 0,52, y la de B de 9,03 a
1,29);
b) que el valor del sesgo de las muestras de A no se modifica (la media queda inalterada).
Las condiciones anteriores (eliminación del sesgo, o al menos conocerlo y medirlo, y la reducción de
la variancia a un mínimo, dada una cantidad de muestreo) determinarán el método de muestreo,
pero la cantidad de muestras a tomar dependerá del grado de precisión que se requiera.
Corrientemente, no es posible determinar la precisión deseada, pero si se pueden dar dos límites.
En el límite más bajo la variancia será tan grande que la información que proporcionará la muestra
no tendrá valor práctico, con lo que la muestra deberá hacerse mayor o abandonarse el método de
muestreo. Las estimaciones obtenidas por medio de un plan de muestreo frecuentemente se
completan con otros datos, que pueden proceder de otros planes de muestreo, y la mayoría de ellos
con una variancia diferente. La variancia final dependerá de la variancia de todas las informaciones
aportadas, pero sobre todo de las menos exactas, de la misma manera que la fortaleza de una cadena
depende de los eslabones más delgados. Por ejemplo, la captura total de una flota puede estimarse
multiplicando la captura media por el total de desembarques. Si la precisión con que se conoce el
número de desembarques es del orden de ± 10 por ciento, aunque se conozca muy bien la captura
media, la cantidad total desembarcada sólo será conocida, en el mejor de los casos, con una precisión
de ± 10 por ciento. Una vez que en un plan único de muestreo se ha conseguido un cierto grado de
precisión, las nuevas mejoras que se introduzcan no aumentarán la precisión de los resultados, por
lo que será mejor dedicar el esfuerzo (tiempo, mano de obra, etc.) a incrementar la precisión de
otros datos.

6.2 Tipos de muestreo

Muestreo al azar

Números al azar

El concepto básico de todo muestreo es el de la muestra al azar. Una muestra de objetos de una
población se llama al azar cuando todos los miembros de la población tienen igual oportunidad de
aparecer en la muestra. Es muy importante insistir en que esto es igualmente válido para todos los
miembros de la población, tanto para los raros como para los típicos. Por ejemplo, el plegonero
(Merlangus merlangus) desembarcado por un solo barco en Lowestoft suele tener (aquí
supondremos que siempre) una composición de longitudes suavemente unimodal, con la moda
normalmente entre 28 y 30 cm, pero alguna vez, por ejemplo, una entre 30, llega a ser hasta de 35
cm. Por lo tanto, si tomamos una muestra al azar de plegonero de cada barco, una vez de cada 30,
por término medio, tendrá una moda de 35 cm o más, aunque normalmente estará entre 28 y 30
cm. Si entonces un biólogo pesquero, apoyándose en una sola muestra, obtiene una moda de 35 cm,
esta desviación de la media de 29 cm no significará necesariamente una muestra que no sea al azar,
puesto que se puede dar este caso una vez de cada 30; pero se puede comprobar tomando más
muestras, por ejemplo tres muestras, que sólo tendrán juntas una moda superior a 35 cm una vez
entre 27.000.

Números al azar

Un procedimiento muy útil y de amplia aplicación para tomar muestras al azar consiste en utilizar
números al azar, tal como se describe en la mayor parte de los libros de estadística. A cada individuo
de la población de la cual se quiere extraer una muestra se le atribuye un número, y los que se tomen
como muestra estarán determinados por la tabla de números al azar. Por ejemplo, si se quieren
elegir 5 individuos entre 100, como una muestra, y los 5 primeros números de la tabla son 3, 47, 43,
73 y 86, se tomarán los individuos correspondientes a estos números. Cuando la cantidad de
individuos no sea exactamente 100 (o 1.000, etc.) saldrán números que no correspondan a ningún
individuo, y no se tendrán en cuenta. Esta pérdida de tiempo puede ser reducida atribuyendo a cada
individuo dos o más números, con tal de que todos tengan igual cantidad de números. Supongamos,
por ejemplo, que se quieren tomar 5 unidades de una población de 24; en este caso, a cada individuo
se le adscriben cuatro números; así la primera unidad tendrá, por ejemplo, los números 01 al 04,
etc., la 24 tendrá 93-96, con lo que quedarán sólo cuatro números, 97-100, sin utilizar. Los individuos
sometidos al muestreo, que corresponden a la serie previa de 5 números al azar, serían entonces los
números 1, 12, 11, 16 y 22 (si uno de los números al azar es 97 o más, se descarta y se toma otro).
En lugar de escoger todas las unidades en la muestra individualmente de la tabla de números al azar,
las unidades se pueden tomar a intervalos regulares, por ejemplo, cada 5 ó 100 individuos, y
solamente el primero elegido utilizando los números al azar. En el primer ejemplo, la muestra era de
1/20 de la población, de modo que el intervalo de la muestra será 20 y como el primer número
elegido al azar era el 3, los siguientes serían 23, 43, 63 y 83. Este sistema es peligroso si en la
población hay una periodicidad natural equivalente al intervalo elegido; por ejemplo, en el caso de
someter a muestreo los desembarcos totales en un puerto, no se debe anotar la captura cada 7 ó 14
días, puesto que pudiera haber grandes variaciones sistemáticas asociadas a los distintos días de la
semana.
Ejemplo
En un determinado lugar se efectúan los desembarcos de pesca durante todo el año. Se desea
determinar la cantidad total anual desembarcada, mediante el muestreo de la captura en 30 días del
año. Determínense los días en que se debe efectuar el muestreo por medio de números al azar:
a) directamente por medio de una serie de números al azar del 000 al 999, y numerando los días del
año de 1 a 365;
b) dando a cada día 2 números, desde el 1 y 2 al 729 y 730;
c) dando a cada día 27 números, de 1-27 a 9.829-9.855, y usando números al azar de 0000 a 9999;
d) haciendo un muestreo cada 12 días a partir de un día elegido al azar entre los 1-12 días primeros
(algunas muestras podrán tener 31 días).
Si no se usan números al azar, o cualquier otro proceso similar, entonces lo más probable es que no
todos los individuos de la población tengan igual oportunidad de salir en la muestra. Caso de haber
alguna correlación entre la cantidad que se va a medir y la probabilidad de que aparezca en la
muestra, el resultado podría estar sesgado, quizás demasiado. Por ejemplo, al hacer el muestreo de
la captura procedente de un barco en una lonja abarrotada de peces, muchas veces se hace
necesario trabajar con las cajas que se desembarcan primero. Dado que en éstas vendrán los peces
últimamente capturados, si es que se pretende conocer la frescura media obtendremos una
estimación muy sesgada; en cambio, lo más probable es que sus tamaños sean similares a los de los
peces capturados anteriormente, de modo que la muestra dará estimaciones sin sesgo de la talla
media. Nunca debe darse rápidamente por supuesto que no existen sesgos, y la posibilidad de su
existencia debe investigarse cuidadosamente. En el ejemplo anterior existiría cierto sesgo si los
barcos acostumbran hacer una última calada cerca ya del puerto, donde el tamaño medio de los
peces se desvía del tamaño medio general. Estas y otras fuentes de posibles sesgos solamente
pueden encontrarse y eliminarse si se tiene un completo conocimiento de la pesquería - cómo se
capturan los peces, cómo se manipulan a bordo y qué distribución sufren en el mercado.
La precisión de las estimaciones que se obtienen por verdaderos muestreos al azar puede ser
determinada rápidamente. Si se está efectuando el muestreo de una población para conocer alguna
de sus características (como el número de vértebras), cuya media en la población es M y la
variancia S2, y se toma al azar una muestra de n individuos, cuyos valores son xi...xn, la estimación de
la media de la población será

.....................................(2.1)
y la media de (si las estimaciones no están sesgadas) y la variancia de (o más brevemente

var ) = , si es que N, el número total en la población, es grande comparado con n.

En caso contrario, la fórmula de la variancia se hace

Ejemplo
a) Suponiendo que la media y la variancia de los datos en el Ejemplo 1.2.1 están próximos a los
valores de la población, calcúlese la variancia en la estimación de la longitud media a partir de las
muestras de 5, 20, y 100 peces;
b) mediante el empleo de números al azar, o por cualquier otro método, tómense 20 muestras al
azar de 5 peces de los 449 del Ejemplo 1.2.1. Calcúlese la longitud media de cada una de estas
muestras; calcúlese la variancia de estos 20 valores, y compárese con la variancia esperada tal como
se calculó en (a). (Nótese cómo la variancia calculada a partir de una serie de números no mayor de
20 está sujeta a cierta variabilidad);
c) si se necesita estimar la longitud media del bacalao del Mar del Norte con una precisión de ±5 cm,
determínese el tamaño de la muestra al azar que es preciso tomar (para esto se requiere que el
doble de la desviación típica de la longitud media estimada sea igual a 5).
Muestreo estratificado

Ejemplo

Cuando se efectúa el muestreo de una población heterogénea, se puede incrementar la precisión, a

veces de manera muy señalada, y reducir el riesgo de sesgos, dividiéndola en una serie de secciones,
cada una de las cuales es relativamente homogénea, y haciendo el muestreo de cada sección (o
estrato) por separado. Así, se hace una muestra de cada estrato independientemente, obteniéndose
estimaciones para cada uno de ellos. Luego estas estimaciones pueden combinarse para dar la
estimación del conjunto de la población. La variancia de esta estimación se obtendrá también
combinando las variancias de las estimaciones hechas en cada estrato. Como las variancias de cada
estrato tenderán a ser pequeñas, dado que los estratos son relativamente homogéneos,
posiblemente mucho menores que la variancia en la población en conjunto, la variancia final de la
estimación combinada será también pequeña.
En términos matemáticos, sea una población de N individuos, Ni en el estrato i°, de modo que N
= S Ni, y una muestra ni del estrato i°, en la que los valores de la cantidad que hay que estimar

(longitud del pez, peso capturado, etc.) es igual a yij = 1...ni; la estimación del valor medio en el
estrato será

................... (2.2)
obteniéndose una estimación sin sesgo de la media de la población total como la media ponderada
de las medias de los estratos, siendo el factor ponderador el número total en cada estrato, es decir:

Si la variancia en el estrato i° es Si2

.............................(2.3)
suponiendo que ni, sea pequeño comparado con Ni. En otro caso, la variancia será

Esta variancia puede compararse con la de la estimación obtenida por un muestreo al azar en el
conjunto de la población, que será
si n no es pequeño comparado con N, y donde S2 es la variancia en el conjunto de la población.
Ejemplo 2.3.1
La captura de eglefino de un barco de arrastre se desembarca en Aberdeen dividida en cuatro
categorías de tamaños, que serán los cuatro estratos (datos tomados de Pope, 1956). Se hicieron
muestras de cada categoría, y los resultados se pueden resumir del modo siguiente:
Categoría Ni ni S yij S y2ij

Pequeño 2 432 152 5 284 185 532

Pequeño-ediano 1 656 92 3 817 158 953

Mediano 2 268 63 3 033 146 357

Grande 665 35 2 027 118 169

TOTAL 7 021 342 14 161 609 011

donde y = longitud del pez en cm.

Partiendo de estos datos, se realizan estimaciones de Si2 por medio de

y se tiene:
Categor Si2 Si2/ni Ni2Si2/
ía ni

Pequeñ 34 84 12,2 0,080 474

o 76 544 1 3 900
3
Pequeñ 41 68 6,47 0,070 192
o- 48 706 3 800
median 9
o
Median 48 109 5,48 0,087 447
o 14 188 0 500
3
Grande 57 38 22,8 0,652 288
91 513 5 9 700
4
300 1 403
951 900

y de aquí

y desviación típica
 Los límites de seguridad del 95 por ciento para la longitud media verdadera de los peces capturados
son, por tanto, 42,9 ± 2 × 0,17, es decir, 42,6 - 43,2 cm.
Los datos pueden usarse también para dar una medida aproximada de la variancia de la estimación
obtenida de una muestra al azar de 342 del conjunto de la captura. En este caso tomaremos como
una estimación de s2 la variancia del conjunto de la población,

por tanto, s2 = 66,4 (compárese con la mayor variancia obtenida dentro de un estrato, que fue 22,85).

y
desviación típica
Aunque esta estimación de s2 no sea del todo correcta, puesto que la muestra estaba lejos de ser
una verdadera muestra al azar, ya que los peces medianos no estaban completamente
representados, no obstante, ha servido para poner de manifiesto la gran reducción de la variancia al
usar un muestreo estratificado, que es del orden de 1/7, lo que equivaldría a haber aumentado siete
veces la muestra.
Se pueden incrementar las ventajas de un muestreo estratificado si se efectúa un muestreo de cada
estrato en la forma más conveniente. Los estratos conteniendo muchos individuos, o que sean muy
variables, requerirán mayor muestreo que los poco numerosos o más homogéneos. La variancia será
mínima para un cierto tamaño total de muestra, n, si
Ni x Si µ ni
o
Si µ ni/Ni
es decir, si la proporción bajo muestra es proporcional a la variancia del estrato. Si ni no es pequeña
comparada con Ni, esta fórmula no es enteramente exacta, pero sirve para tener una buena idea
sobre la mejor distribución de las muestras.
Ejemplo
Determínese en el Ejemplo 2.3.1 la mejor distribución en cada estrato del número total de peces
sometidos a muestreo (342) y, usando los valores de S2, calcúlese la variancia de la longitud media
estimada por esta distribución de las muestras.
Ejemplo
A lo largo de una costa, los peces se desembarcan en 100 lugares, que pueden clasificarse, grosso
modo, en tres categorías, de acuerdo con el peso de los peces. En el transcurso de una semana, los
pesos de los desembarcos fueron:
Determínese, mediante el cálculo de la variancia en cada categoría y en el conjunto de la población,
cuál es el mejor método de estimación de la captura semanal total en toda la costa, si es que sólo se
puede registrar la captura en 20 lugares (uno de cada cinco, visitando los lugares de desembarco),
cuál es la variancia de esta estimación, y compararla (a) con la obtenida de una sola muestra al azar
del conjunto de la población, y (b) usando un muestreo estratificado, tomando una muestra que sea
de 1/5 de cada categoría.

Submuestreo, o muestreo en dos etapas

Ejemplo

Cuando las poblaciones son muy extensas, o complejas, la simple toma de muestras al azar se
transforma en un gran problema, que suele requerir mucho tiempo. El tiempo necesario para
obtener una muestra de dimensiones determinadas puede ser muy abreviado mediante el empleo
de un muestreo en dos etapas. En primer lugar, el conjunto de la población puede ser dividido en
una serie de unidades primarias, o subpoblaciones, varias de las cuales se toman como muestra. Se
toma una muestra secundaria, o submuestra, de cada una de estas subpoblaciones, que a su vez son
muestras de la población total. Por ejemplo, para estimar la captura total a lo largo de una línea
costera, se puede tomar como unidad básica cada desembarco. La medición de una serie de
desembarcos tomados al azar a lo largo de la costa requeriría efectuar muchos viajes, imposibles de
realizar; la solución consiste en seleccionar (por ejemplo, mediante números al azar) ciertos lugares
de desembarco en determinados días, y en estos lugares seleccionar una serie de desembarcos.
Por supuesto, el submuestreo se puede realizar en más de dos etapas. En el ejemplo anterior, podría
interesar algún dato, como el estado de madurez, para lo cual se tomaría una caja de pescado (o una
parte de la misma), con lo que el muestreo se habría realizado en tres (o cuatro) etapas.
La desventaja de un submuestreo consiste, desde luego, en que los individuos de una misma unidad
primaria son probablemente más parecidos entre sí que los del conjunto de la población. De esta
manera, después de examinar un individuo de una unidad, tal como el peso de la captura de un barco
en un lugar determinado, si se siguen examinando individuos de esa unidad, se obtendrá menos
información del conjunto de la población (por ejemplo, la captura media por barco de todos los
lugares de desembarco) que si se examinan individuos de otras unidades primarias. El problema
consiste en deducir el número más conveniente de muestras que se debe tomar en un tiempo dado
al emplear un muestreo en dos etapas. En términos generales, si los individuos dentro de una unidad
primaria son muy variables, lo mejor será tomar muchas muestras dentro de cada unidad en,
comparativamente, pocas unidades primarias. Por el contrario, si la variación de los individuos es
pequeña dentro de cada unidad, pero hay diferencias considerables entre las unidades, entonces
deberán someterse a muestreo muchas unidades primarias, con un pequeño número de individuos
por muestra en cada una de ellas.
El método puede ser ilustrado en términos matemáticos: supóngase, para mayor sencillez, que la
población puede dividirse en K unidades primarias, cada una de N individuos, y que están sometidas
a muestreo k unidades primarias, tomándose una submuestra de n individuos en cada una.
Si M es la media de la población, y Mi la media de la ia unidad primaria, entonces la estimación de la
media de una unidad primaria bajo muestreo será:

donde xij es el valor del j° individuo en la unidad ia y la estimación de la media de la población será

............................(2.4)
La variancia de mi en torno a Mi será 1/n × Sw2, en donde Sw2 es la variancia de los individuos de
la ia unidad primaria en torno a la media de la unidad. La variancia de la media estimada para la
población constará de dos partes: la variancia de las medias estimadas para las unidades en torno a
las medias verdaderas de las unidades, y la variancia de estas últimas en torno a la media de la
población; esto es

........................................(2.5)
2
donde SB es la variancia de las medias de las unidades en torno a la media de la población. Una
estimación no sesgada de la variancia de m será

.............................(2.6)
Ejemplo 2.4.1
(tomado de Pope, 1956)
Como muestra al azar del desembarco total de arenque en una semana, se toma una serie de
desembarcos individuales, y de cada desembarco seleccionado una muestra de 50 arenques, y se
miden. Se obtienen los siguientes datos:
Barco 1 2 3 4 5

1 1 1 1 1
244 324 335 299 270
Suma
,3 ,2 ,4 ,7 ,5

Suma de 31 35 35 33 32
cuadrados 020 127 730 900 558
,97 ,08 ,30 ,99 ,55

Estímese la longitud media del arenque en los desembarcos de la semana, y su error típico. Primero
se obtendrá la media para cada barco, que son 24,9, 26,5, 26,7, 26,0 y 25,4. Por tanto, las
estimaciones que se piden se obtendrán por
m2 = 1/5 (24,9 + ... + 25,4) = 25,9

sm=0,34
Las variancias entre y dentro de las unidades primarias pueden también estimarse separadamente.
Dentro de cada unidad primaria, se tendrá una estimación de Sw2 por

Estas estimaciones por separado en las unidades primarias pueden combinarse por medio de

.............................(2.7)
Según las ecuaciones (2.5) y (2.6) la variancia entre las unidades puede deducirse de la ecuación

.............................(2.8)
Siendo dados los valores de Sw2 por la ecuación (2.7)
Ejemplo 2.4.2
Calcúlese la variancia de la longitud del arenque dentro y entre los barcos, de acuerdo con los datos
del Ejemplo 2.4.1. Como estimación de la variancia dentro de los barcos, se tiene que
5 x 49 x Sw2 = (31020,97 - 1/50 x 1244,32) + ... + ...
por tanto
245 Sw2 = 378,62
Sw2 = 1,545
También

SB2 = 0,56 - 0,03 = 0,53

En los cálculos de los ejemplos 2.4.1 y 2.4.2 se ha podido ver que la mayor parte de Sm2, la variancia
de la longitud media estimada de todos los peces desembarcados, se debe a SB2 la variancia entre
los barcos. De la ecuación (2.5) se deduce que el efecto de esta variancia puede reducirse
aumentando k, o sea, el número de unidades primarias bajo muestreo, pero no incrementando n, el
número de individuos sometidos a muestreo en cada unidad primaria. Así pues, el tiempo empleado
en el muestreo de los desembarcos de arenque podría aprovecharse más eficazmente reduciendo el
número de individuos en las muestras y aumentando el número de barcos bajo muestra, por
ejemplo, 6 muestras de 30 peces, con un total de 180 peces, en vez de 5 muestras de 50 peces, con
un total de 250 peces. La mejor forma de utilizar el tiempo dependerá del que se emplee en cada
etapa de muestreo y de la variancia contenida en ellas. El tiempo total empleado se puede dividir
aproximadamente en tres partes:
a) el tiempo inicial; el tiempo que se emplea en la preparación, incluyendo el traslado desde el centro
de trabajo al área de muestreo. Este tiempo es más o menos constante, independientemente del
volumen del muestreo;
b) el tiempo entre las unidades primarias; en el ejemplo anterior, el tiempo empleado en ir de un
barco a otro, que será proporcional al número de unidades primarias;
c) el tiempo dentro de las unidades primarias; que es el tiempo que se emplea en examinar los
individuos en cada unidad primaria. El tiempo total podra ser, por tanto, igual a
t = t0 + k tb + n k tw .............................. (2.9)
t0 = tiempo inicial
tb = tiempo para ir de una unidad primaria a otra
tw = tiempo empleado en examinar un individuo.
La mejor forma de distribuir el tiempo de muestreo (es decir, la que da una variancia mínima), de
acuerdo con un número determinado de individuos bajo muestreo en cada unidad primaria, viene
dada por

............................(2.10)
Ejemplo 2.4.3
Utilizando los datos de los ejemplos anteriores, y suponiendo que en un minuto se pueden medir 20
peces, y que el tiempo empleado para ir de un barco a otro es de 5 minutos, demuéstrese que la
variancia mínima en la longitud media estimada y para una cantidad dada de muestreo es de 17
peces aproximadamente, resultado obtenido con muestras secundarias.
Hasta ahora, se había supuesto que todas las unidades primarias eran del mismo tamaño, pero esto
no es lo corriente. Cuando sean desiguales, se hará preciso aplicar un factor de corrección para cada
unidad. La ecuación (2.4) puede reescribirse como sigue

..........................(2.11)
donde Ni = número de individuos en la ia unidad primaria
N = S Ni = número total en todas las unidades primarias de muestreo

o como ..................................(2.12)
donde ni es el número de individuos bajo muestra en la ia unidad primaria, que no tiene por qué ser
igual en todas ellas. Si se toma ni en cada unidad de tal manera que en todas ellas la razón de
muestreo ni/Ni sea la misma para todas las unidades, e igual a p, entonces (2.12) se reduce a

es decir
 ..........................................(2.13)
donde n es el número total de individuos de la muestra, siendo ésta, desde luego, la forma más
conveniente de computación. La fórmula de la variancia (ecuación 2.5) puede también reescribirse
así

donde

La fórmula (ecuación 2.10) sobre el mejor número de individuos por muestra en cada unidad no hay
que aplicarla de manera estricta. Podría modificarse para que determinara con precisión la mejor
muestra en cada unidad primaria. Sin embargo, esta fórmula sería más bien prolija, y necesitaría una
información adicional sobre la variancia en cada unidad primaria (que puede no ser igual en todas
las unidades). Tanto esfuerzo puede muy bien no merecer la pena, y ser más razonable utilizar la
ecuación (2.10), modificada empíricamente, incrementando la muestra en las unidades más grandes
o más variables.
Cuando el objetivo del muestreo sea medir alguna cantidad total, como el peso total desembarcado
de cierta especie de peces, y no un valor medio, como la longitud media de los peces, el análisis de
los resultados, como figura en las ecuaciones (2.11) - (2.13) deberá modificarse. El total en
la ia unidad bajo muestreo será

donde Ni/ni es el factor elevador o de ponderación para la ia unidad primaria, y es igual al recíproco
de la proporción tomada como muestra. El total en el conjunto de la población viene dado por

donde N = número total de individuos en la población. Si N no es conocido, como bien puede

suceder, entonces en vez de N/Ni debe emplearse como factor aproximado elevador K/k, donde K es
el número total de unidades primarias y k es el número total de unidades bajo muestreo (si el
número de individuos de cada unidad primaria fuera el mismo, los dos factores coincidirían). Es
absolutamente indispensable utilizar dos factores elevadores, uno para relacionar la muestra con el
conjunto de la unidad primaria, y otro para relacionar las unidades primarias sometidas a muestreo
con el conjunto de la población. El empleo de factores ponderadores equivocados puede ocasionar
sesgos importantes, si es que hay grandes diferencias en la composición entre las unidades
primarias, en especial si están correlacionadas con el número de individuos en la unidad primaria.
Supóngase, por ejemplo, que se desea estimar la cantidad total desembarcada en un cierto lugar de
una determinada especie de peces que viven predominantemente en fondos costeros. Como unidad
primaria se puede tomar la captura de cada barco, utilizando como muestra una caja de pescado de
cada barco seleccionado. Es muy probable que los barcos grandes pesquen en fondos más alejados
de la costa, que consigan capturas mayores, y que haya en ellas una pequeña proporción de peces
costeros. Si a las muestras de estos barcos grandes se les diera el mismo factor ponderador que a las
de los más pequeños que actúan junto a la costa, la proporción de especies costeras podría muy bien
ser sobreestimada.

6.3 Estimación del tamaño de la muestra

 ¿Cómo determinar el tamaño de una muestra?
Determinar el tamaño de la muestra que se va a seleccionar es un paso importante en cualquier
estudio de investigación de mercados, se debe justificar convenientemente de acuerdo al
planteamiento del problema, la población, los objetivos y el propósito de la investigación.
¿De qué depende el tamaño muestral?
El tamaño muestral dependerá de decisiones estadísticas y no estadísticas, pueden incluir por
ejemplo la disponibilidad de los recursos, el presupuesto o el equipo que estará en campo.
Antes de calcular el tamaño de la muestra necesitamos determinar varias cosas:
1. Tamaño de la población. Una población es una colección bien definida de objetos o individuos
que tienen características similares. Hablamos de dos tipos: población objetivo, que suele tiene
diversas características y también es conocida como la población teórica. La población accesible es la
población sobre la que los investigadores aplicaran sus conclusiones.
2. Margen de error (intervalo de confianza). El margen de error es una estadística que expresa la
cantidad de error de muestreo aleatorio en los resultados de una encuesta, es decir, es la medida
estadística del número de veces de cada 100 que se espera que los resultados se encuentren dentro
de un rango específico.
3. Nivel de confianza. Son intervalos aleatorios que se usan para acotar un valor con una
determinada probabilidad alta. Por ejemplo, un intervalo de confianza de 95% significa que los
resultados de una acción probablemente cubrirán las expectativas el 95% de las veces.
4. La desviación estándar. Es un índice numérico de la dispersión de un conjunto de datos (o
población). Mientras mayor es la desviación estándar, mayor es la dispersión de la población.
CÁLCULO DEL TAMAÑO DE LA MUESTRA DESCONOCIENDO EL TAMAÑO DE LA POBLACIÓN
La fórmula para calcular el tamaño de muestra cuando se desconoce el tamaño de la población es la
siguiente:

En donde
Z = nivel de confianza,
P = probabilidad de éxito, o proporción esperada
Q = probabilidad de fracaso
D = precisión (error máximo admisible en términos de proporción)
CÁLCULO DEL TAMAÑO DE LA MUESTRA CONOCIENDO EL TAMAÑO DE LA POBLACIÓN
La fórmula para calcular el tamaño de muestra cuando se conoce el tamaño de la población es la
siguiente:

En donde, N = tamaño de la población Z = nivel de confianza, P = probabilidad de éxito, o proporción

esperada Q = probabilidad de fracaso D = precisión (Error máximo admisible en términos de
proporción).
 TIPOS DE MUESTREO
El muestreo es una herramienta para determinar qué parte de una población debemos analizar
cuando no es posible realizar un censo. Depende de los objetivos del estudio el elegir una muestra
probabilística o no probabilística.
MUESTREO PROBABILÍSTICO
Se basa en el principio de equiprobabilidad, esto quiere decir que todos los individuos de la muestra
seleccionada, tendrán las mismas probabilidades de ser elegidos. Lo anterior nos asegura que la
muestra extraída contará con representatividad.
Al azar simple
 Sistemática
 Estratificada
 Conglomerados
Características:
 No hay discreción del investigador.
 Los elementos se seleccionan por reglas mecánicas.
 Hay error muestral.
 Se conoce la probabilidad de inclusión.
MUESTREO NO PROBABILÍSTICO
No sirven para hacer generalizaciones pero sí para estudios exploratorios. En este tipo de muestras,
se eligen a los individuos utilizando diferentes criterios relacionadas con las características de la
investigación, no tienen la misma probabilidad de ser seleccionados ya que el investigador suele
determinar la población objetivo.
 Por juicio u opinión.
 Por cuotas.
 De bola de nieve.
 De conveniencia.
Características:
 La muestra es discrecional
 Los elementos se seleccionan por facilidad conveniencia y no por reglas fijas
 No hay error muestral o no se puede calcular
 No se conoce la posibilidad de inclusión