

Teoría del Muestreo, sus

Implicaciones e
Importancia
—

1 © Ast urias Corporación Universitaria

 Teoría del Muestreo, sus Implicaciones e Importancia

Índice

1 Introducción ............................................................................................................................................................ 3
2 Conceptos Básicos ............................................................................................................................................. 3
2.1 Características y Parámetros de Interés ...................................................................... 3
2.2 Muestra Aleatoria ...................................................................................................................... 4
2.3 Muestras Probabilísticas ....................................................................................................... 5
2.4 Diseño Muestral ......................................................................................................................... 5
2.5 Mecanismo de Selección .................................................................................................... 6
2.6 Probabilidades de Inclusión ............................................................................................... 6
2.7 Estadística y Estimador ........................................................................................................ 7
3 Muestreo Aleatoria Simple Sin Reemplazo (MAS) ........................................................................... 7
3.1 Estadística y Estimador .......................................................................................................... 7
3.2 Mecanismo de Selección ..................................................................................................... 7
3.3 Estimación para el Total de Y y su Varianza en el MAS .................................... 9
3.4 Estimación para el Promedio de Y y su varianza en el MAS ......................... 11
4 Resumen ................................................................................................................................................................. 11
5 Referencias Bibliográficas ............................................................................................................................ 12

02 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría del Muestreo, sus Implicaciones e Importancia

Objetivos
 Objetivo 1: Conocer la base de la teoría de la inferencia estadística, el estudio
de recolección de muestras y la estimación de parámetros por el muestreo.

 Objetivo 2: Estudiar las muestras aleatorias simples.

1 Introducción
En esta unidad centraremos nuestro interés en la base de la teoría de la inferencia
estadística, el estudio de recolección de muestras y estimación de parámetros por el
muestreo. Es preciso mencionar que solo se hará un breve repaso de una extensa y
cuidadosa teoría, debido a la complejidad y pertinencia de algunos de sus conceptos.
Siendo el caso de las muestras aleatorias simples el eje sobre el cual desarrollaremos
los contenidos temáticos, en busca de su utilidad final, la estimación de parámetros
poblacionales.

2 Conceptos Básicos
Conocida una población o universo de nuestro interés, el cual está conformado por 𝑁
elementos y que notaremos como 𝑈 etiquetado como sigue 𝑈 = {1,2, … , 𝑁}, se define
entonces una característica de interés 𝑦 la cual tiene como naturaleza ser una
observación medida directamente en 𝑈 y no una realización de una 𝑣. 𝑎 como en
unidades anteriores, tomará entonces 𝑦 el valor 𝑦𝑘 en el 𝑘-ésimo elemento.

El objetivo de hacer muestreo será el de estimar una característica de interés

“El objetivo del muestreo es estimar una determinada en un parámetro poblacional a partir de la observación de un subconjunto
característica de interés determinada en un con ciertas características de los elementos del universo. A continuación mostraremos
parámetro poblacional”
los parámetros más comúnmente conocidos y de mayor interés.

2.1 Características y Parámetros de Interés

 El total poblacional: Determina el valor total de una característica de interés en una

población, se denota por 𝒕𝒚 y se define como sigue:
𝑁

𝑡𝑦 = ∑ 𝑦𝑘
𝑘=1

 El promedio poblacional: Determina el valor promedio de una de una característica de

̅ 𝑼 y se define como sigue:
interés en una población, se denota por 𝒚
𝑁
1 𝑡𝑦
𝑦̅𝑈 = ∑ 𝑦𝑘 =
𝑁 𝑁
𝑘=1

03 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría del Muestreo, sus Implicaciones e Importancia

 La varianza poblacional: Determina la dispersión de los valores observados de la

característica de interés con respecto a su valor medio, determinando la variabilidad
existente en la población, se denota por 𝑺𝟐𝒚𝑼 y se define como sigue:

2
∑𝑁 ̅𝑈 )2
𝑘=1(𝑦𝑘 − 𝑦
𝑆𝑦𝑈 =
𝑁−1

Ejemplo 1: Suponga que se tiene una población 𝑼 tal que está etiquetada de la siguiente
manera 𝑼 = {𝟏, 𝟐, 𝟑, 𝟒, 𝟓} y se quiere estimar una variable de interés 𝒚 para cada elemento
en el universo entonces:

U yk

1 35

2 36

3 40

4 23

5 37

Tabla 1: Tabla ejemplo 1

 Para el total tenemos que:

𝑁

𝑡𝑦 = ∑ 𝑦𝑘 = 35 + 36 + 40 + 23 + 37 = 171
𝑘=1

 Para el promedio tenemos que:

𝑁
1 𝑡𝑦 171
𝑦̅𝑈 = ∑ 𝑦𝑘 = = = 34.2
𝑁 𝑁 5
𝑘=1

 Para la varianza tenemos que:

2
∑𝑁 ̅𝑈 )2 [(35 − 34.2)2 + ⋯ + (37 − 34.2)2 ]
𝑘=1(𝑦𝑘 − 𝑦
𝑆𝑦𝑈 = = = 34.16
𝑁−1 4

2.2 Muestra Aleatoria

Es un subconjunto del universo que se extrae mediante un modelo estadístico de selección,

se denotara por 𝑺 y llamaremos 𝒔 a una instancia o realización de ella y queda definida de la
siguiente forma:
𝑠 = {1, … , 𝑘, … , 𝑛(𝑠)}

04 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.

“El número de elementos en el modelo
estadístico de selección es llamado
tamaño de la muestra”
“Sin reemplazo: si la selección de los
elementos que han sido
seleccionados no vuelven a ser parte
de la población”
“Con reemplazo: si la selección de los
elementos que han sido seleccionados
vuelven a ser parte de la población”
“Los componentes básicos de un estudio
de muestreo son las probabilidades de
selección y el procedimiento con el cual se
miden los datos”
05
Teoría del Muestreo, sus Implicaciones e Importancia
El número de elementos en 𝒔 es llamado tamaño de muestra y existen casos particulares
donde no es fijado de antemano, en consecuencia se hace variable.
 Muestra aleatoria sin reemplazo
Se dice que una muestra aleatoria es sin reemplazo si la selección de los elementos que
han sido seleccionados no vuelven a ser parte de la población.
 Muestra aleatoria con reemplazo
Se dice que una muestra aleatoria es con reemplazo si la selección de los elementos que
han sido seleccionados vuelven a ser parte de la población, es decir, un elemento puede
ser seleccionado más de una vez.
2.3 Muestras Probabilísticas
No toda muestra aleatoria es de tipo probabilística, dando lugar a distintos tipos de muestreo
que dada su metodología de recolección o desconocimiento de los modelos probabilísticos
que garanticen su validez se convierten en mecanismos sin ninguna significancia a la hora
de hacer estimaciones. A continuación se mencionan los requerimientos que hacen a una
muestra aleatoria una muestra probabilística.
Una muestra es probabilística cuando:
 Se puede definir el conjunto de todas las posibles muestras derivadas del proceso
de selección.
 Es posible conocer de antemano la probabilidad de selección de todas y cada una
de las posibles muestras anteriormente mencionadas.
 El proceso de selección garantiza la existencia de una probabilidad mayor a cero
para cada uno de los elementos del universo.
 El mecanismo aleatorio de selección que se utilice garantiza la igualdad de
probabilidades de selección para cada muestra en el conjunto de todas las
posibles muestras.
2.4 Diseño Muestral
Los componentes básicos de un estudio de muestreo son en primera instancia las
probabilidades de selección asignadas a todas y cada una de las muestras posibles en
el universo y en segunda instancia el procedimiento con el cual se miden los datos una
vez observados. Así el primer componente se refiere a un diseño de muestreo y el
segundo a un estimador concepto que veremos con más detalle a lo largo de este
curso.
 Diseño de muestreo
Desde un punto de vista teórico estricto, un diseño de muestreo es una función 𝒑(𝒔), que a
cada muestra posible le asigna una probabilidad de selección.
 Diseño de muestreo sin reemplazo
Un diseño de muestreo se dice sin reemplazo, si todas las muestras en el conjunto de todas
las posibles muestras son sin reemplazo.
 Diseño de muestreo con reemplazo
Un diseño de muestreo se dice con reemplazo, si todas las muestras en el conjunto de
todas las posibles muestras son con reemplazo.
ASTURIAS CORPORACIÓN UNIVERSITARIA®
Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría del Muestreo, sus Implicaciones e Importancia

 Diseños de muestreo con tamaño de muestra fijo

Un diseño de muestreo se dice de tamaño de muestra fijo, si todas las muestras en el
conjunto de todas las posibles muestras tienen el mismo tamaño de muestra.

2.5 Mecanismo de Selección

Son procedimientos secuenciales ordenados que se utilizan para seleccionar muestras

“Un mecanismo de selección es un probabilísticas.
procedimiento secuencial ordenado que
se utiliza para seleccionar muestras
probabilísticas”
2.6 Probabilidades de Inclusión

Las probabilidades de inclusión de primer orden llamadas 𝝅𝒌 para el elemento 𝒌 se definen

como la suma de las probabilidades de selección que contienen al elemento 𝒌 en particular
y de manera análoga se definen las probabilidades de inclusión de segundo orden para los
elementos 𝒌 y 𝒍 en muestras que los contienen simultáneamente.
Ejemplo 2: Suponga que se tiene un diseño de muestreo genérico 𝒑(∙) tal que a la población
𝑼 mostrada en el ejemplo 1 asigna probabilidades de selección a muestras de tamaño 2
como sigue: (Nota: Cuando a un diseño de muestreo se le cita de forma genérica la
notación utilizada es 𝒑(∙), es decir, el (∙) indica un diseño de muestreo cualquiera aplicado a
una muestra 𝒔 en particular):
Muestra de tamaño 2 𝒑(𝒔)

0.13
1-2
0.20
1-3
0.15
1-4
0.10
1-5
0.15
2-3
0.04
2-4
0.02
2-5
0.06
3-4
0.07
3-5
0.08
4-5

Tabla 2: Tabla ejemplo 2

Nuestro interés es el de obtener la probabilidad de que el elemento 𝐤 = 𝟏 sea incluido en la

muestra, es decir, 𝛑𝟏 entonces será igual a la suma de las probabilidades de selección de
las muestras que contienen a elemento 𝐤 = 𝟏.
𝜋1 = 0.13 + 0.20 + 0.15 + 0.10 = 0.58

06 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría del Muestreo, sus Implicaciones e Importancia

2.7 Estadística y Estimador

“Estadística: función que varía en
consecuencia de los resultados de un
Se llama estadística a una función que varía en consecuencia de los resultados de un
experimento aleatorio” experimento aleatorio. Cuando es utilizada para estimar a un parámetro recibe el nombre de
estimador y los valores que toman se les llama por estimaciones.
“Estimador: una estadística que se utiliza
para estimar un parámetro”

3 Muestreo Aleatoria Simple Sin Reemplazo (MAS)

En este apartado veremos la forma más simple de hacer muestreo, el muestreo aleatorio
simple tiene como característica el suponer que el comportamiento de la característica de
interés es similar en todos los individuos de la población, es decir, supone homogeneidad
en la población.
Debido a esto el diseño asigna probabilidades de inclusión idénticas a todos y cada uno de
los elementos de la población haciendo de esta su característica principal.

3.1 Estadística y Estimador

Se dice un muestreo aleatorio simple sin reemplazo a aquel diseño cuyas posibles muestras
de tamaño 𝒏 fijado de antemano tienen la misma probabilidad de ser seleccionadas. Así:
1
𝑠𝑖 # 𝑠 = 𝑛
𝑝(𝑠) = {(𝑁)
𝑛
0 𝑐 𝑐.

3.2 Mecanismo de Selección

Con el avanzado estado de las máquinas computadoras el proceso de extracción de una

muestra se hizo algo determinante a la hora de un estudio por muestreo, agilizando cálculos
y garantizando los resultados, los mecanismos de selección se convirtieron en parte
inherente del plan de muestreo.
A continuación mostramos dos de las más conocidos y utilizados en a la hora de extraer una
muestra aleatoria simple.
 Método del coordinado negativo
El método se resume en los siguientes pasos
- Genere 𝑵 números aleatorios 𝝃𝒌 de una 𝒗. 𝒂 distribuida Uniforme (𝟎, 𝟏).
- Asignar cada 𝝃𝒌 a cada elemento de la población.
- Ordenar ascendente o descendentemente con respecto a cada 𝝃𝒌.
- A continuación seleccione los 𝒏 primero o últimos según el ordenamiento del
paso anterior y esta selección se convierte en su muestra.

07 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría del Muestreo, sus Implicaciones e Importancia

Ejemplo 3: Para la población 𝑼 que estamos siguiendo en los ejemplos anteriores,

seleccionemos una muestra de tamaño 2 con el método del coordinado negativo.
- Se generan 5 números aleatorios 𝝃𝒌 debido a que en nuestro universo
𝑵 = 𝟓.
𝜉1 = 0.28691106, 𝜉2 = 0.97110167, 𝜉3 = 0.86655545,

𝜉4 = 0.71795016, 𝜉5 = 0.95200564

- Se asigna 𝜉𝑘 a cada elemento de la población.

𝜉𝑘
𝑈
0.28691106
1
0.97110167
2
0.86655545
3
0.71795016
4
0.95200564
5

Tabla 3: Ejemplo 3 (a)

- Se ordenan los 𝑘 elementos de 𝑈 en este caso descendentemente con

respecto a 𝜉𝑘 .

𝜉𝑘
𝑈
0.28691106
1
0.71795016
4
0.86655545
3
0.95200564
5
0.97110167
2

Tabla 4: Tabla ejemplo 3 (b)

- Así nuestra muestra de tamaño 2 está conformada como sigue:

𝑠1 = {1,4}

 Método de selección y rechazo

El método se resume en los siguientes pasos:
- Realizar 𝝃𝒌 distribuido uniforme (𝟎, 𝟏)
- Calcular:
𝑛 − 𝑛𝑘
𝑐𝑘 =
𝑁−𝑘+1

Donde 𝒏𝒌 es la cantidad de objetos seleccionados en los 𝒌 − 𝟏 ensayos anteriores.

08 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría del Muestreo, sus Implicaciones e Importancia

- Si 𝝃𝒌 < 𝒄𝒌 , entonces el elemento 𝒌 pertenece a la muestra.

- Detener el proceso cuando 𝒏 = 𝒏𝒌
Ejemplo 4: Se dese extraer una muestra de tamaño 𝒏 = 𝟒 de una población 𝑼 cualquiera de
𝑵 = 𝟏𝟎 , con el mecanismo de selección y rechazo, el proceso se muestra como sigue en la
siguiente tabla:

k Numerador Denominador 𝐶𝑘 𝜉𝑘 Decisión

1 4 10 0,4 0,70554751 0

2 4 9 0,44444444 0,53342402 0

3 4 8 0,5 0,57951862 0

4 4 7 0,57142857 0,28956246 1

5 3 6 0,5 0,30194801 1

6 2 5 0,4 0,7747401 0

7 2 4 0,5 0,01401764 1

8 1 3 0,33333333 0,76072359 0

9 1 2 0,5 0,81449002 0

10 1 1 1 0,7090379 1

Tabla 5: Tabla ejemplo 4

Luego la muestra aleatoria está conformada por los elementos:
𝑠1 = {4,5,7,10}

Nótese que como se dio en este ejemplo el método garantiza que los 𝒏 elementos siempre
sean seleccionados, es decir, el método siempre converge.

3.3 Estimación para el Total de Y y su Varianza en el MAS

Las expresiones para la estimación del total y su varianza en el muestreo aleatorio simple
vienen dadas por:
𝑁
𝑡̂𝑦 = ∑ 𝑦𝑘
𝑛
𝑠

𝑁2 𝑛 2
𝑉𝑎𝑟(𝑡̂𝑦 ) = (1 − ) 𝑆𝑦𝑈
𝑛 𝑁

09 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría del Muestreo, sus Implicaciones e Importancia

𝑁2 𝑛 2
̂ (𝑡̂𝑦 ) =
𝑉𝑎𝑟 (1 − ) 𝑆𝑦𝑆
𝑛 𝑁

Con 𝑺𝟐𝒚𝑺 y 𝑺𝟐𝒚𝑼 las varianzas muestral y poblacional respectivamente.

Ejemplo 5: Supongamos que para la muestra extraída en el ejemplo 4 tomamos las
mediciones de una variable 𝒚 continua con los valores como sigue:

𝒌 𝒚𝒌

19
4
56
5
70
7
60
10

Tabla 6: Tabla ejemplo 5

Entonces nuestro interés será el de estimar el total y con su respectiva varianza estimada.
 El total vendría dado por:
𝑁 10
𝑡̂𝑦 = ∑ 𝑦𝑘 = ∙ (19 + 56 + 70 + 60) = 512.5
𝑛 4
𝑠

 Para estimar la varianza del estimador tenemos que como se muestra en ecuación,
esta depende de la varianza muestral que se calcula como sigue:

2
∑𝑘∈𝑆(𝑦𝑘 − 𝑦̅𝑠 )2
𝑆𝑦𝑆 = = 496.92
𝑛−1

Con lo que:

𝑁2 𝑛 2 102 4
̂ (𝑡̂𝑦 ) =
𝑉𝑎𝑟 (1 − ) 𝑆𝑦𝑆 = (1 − ) ∙ (496.92) = 7453.75
𝑛 𝑁 4 10

 Es necesario brindar una medida del error para determinar la calidad de las
estimaciones, para ello se utiliza el coeficiente de variación estimado 𝒄𝒗𝒆 como
sigue:

̂ (𝑡̂𝑦 )
√𝑉𝑎𝑟
√7453.75
𝑐𝑣𝑒 = × 100% = × 100% ≅ 17%
𝑡̂𝑦 512.5

Lo que puede considerarse como una pobre estimación debido a que 𝒄𝒗𝒆 > 𝟓% se
consideran estimaciones de baja calidad, esto puede ser al poco número de elementos de
la población con tamaño de muestra pequeño.

010 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría del Muestreo, sus Implicaciones e Importancia

3.4 Estimación para el Promedio de Y y su varianza en el MAS

Las expresiones para la estimación del promedio y su varianza en el muestreo aleatorio

simple vienen dadas por:
𝑡̂𝑦 ∑𝑆 𝑦𝑘
𝑦̂̅ = = = 𝑦̅𝑆
𝑁 𝑛

1 1 𝑛 2
𝑉𝑎𝑟(𝑦̂̅) = 𝑉𝑎𝑟(𝑡̂𝑦 ) = (1 − ) 𝑆𝑦𝑈
𝑁2 𝑛 𝑁
1 1 𝑛 2
̂ (𝑦̅̂) =
𝑉𝑎𝑟 ̂ (𝑡̂𝑦 ) = (1 − ) 𝑆𝑦𝑆
𝑉𝑎𝑟
𝑁2 𝑛 𝑁

Ejemplo 6: Considerando los datos del ejemplo anterior, damos estimaciones para la media
y la varianza estimada de la variable de interés 𝒚.
𝑡̂𝑦 512.5
𝑦̂̅ = = = 𝑦̅𝑆 = 51.25
𝑁 4

̅ 𝑺 es el soporte de toda la inferencia

Con lo que queda demostrado que el estimador (MAS) 𝒚
estadística vista desde un punto clásico.
Para la estimación de la varianza tenemos que:
1 1 𝑛 2 1 1 4
̂
𝑉𝑎𝑟(𝑦̅̂) = ̂ (𝑡̂𝑦 ) = (1 − ) 𝑆𝑦𝑆
𝑉𝑎𝑟 = 2 ∙ (7453.75) = (1 − ) (496.92)
𝑁 2 𝑛 𝑁 10 4 10
= 74.5375

Con igual medida de calidad para el caso del total, debido a que se trata de los mismos
valores.

4 Resumen
 El objetivo de hacer muestreo será el de estimar una característica de interés
determinada en un parámetro poblacional a partir de la observación de un
subconjunto con ciertas características de los elementos del universo.

 El muestreo aleatorio simple tiene como característica el suponer que el

comportamiento de la característica de interés es similar en todos los individuos de la
población, es decir, supone homogeneidad en la población. Debido a esto el diseño
asigna probabilidades de inclusión idénticas a todos y cada uno de los elementos de
la población haciendo de esta su característica principal.

011 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría del Muestreo, sus Implicaciones e Importancia

5 Referencias Bibliográficas
 Miranda, I. E., Palacín, F., Sánchez, M. L., Márquez, M., Chía, A. R., Navas, A. S., y otros.
(3ra. Edición 2006). Estadística Descriptiva y Probabilidad. Cádiz: Servicio de
Publicaciones de la Universidad de Cádiz.

 Montgomery, D., & R., R. (2da. Edición 2008). Probabilidad y Estadística Aplicada a la
Ingeniería. México: Limusa Wiley.

 Walpole, R., Myers, R., & Myers, S. y. (2007). Probabilidad y Estadística para Ingeniería
y Ciencias. México: Pearson.

012 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.