ÍÍ ndice

 Introducción.
 Probabilidad y estadística.
• Probabilidad.
• Estadística.
• Relación entre probabilidad y estadística.
 Muestreo.
 Tipos de muestreo.
 Ventajas e inconvenientes.
 Números aleatorios.
 ¿Para qué sirven?
 ¿Cómo puedo generar números aleatorios?
 ¿Qué son los números pseudoaleatorios?
 ¿Por qué hay que recurrir a los números pseudoaleatorios?
 Aplicaciones en la criptografía.
 Error de muestreo.
• ¿Por qué sucede este error?
• Tamaño de la muestra y error de muestreo
• Desviación estándar y error de muestreo
 Distribución muestral de medias.
 Teorema de límite central.

Íntroduccioó n
Se denomina muestreo al proceso por el que generamos las muestras. Una
muestra es una parte (un subconjunto) de la población, y se desea que la
muestra sea lo más representativa posible de la población de la que procede.
Sin embargo, por muy cuidadosa que sea la selección de la muestra difícilmente
será una representación exacta de la población. Esto significa que su tendencia
central, variabilidad, etc., aproximarán las de la población, pero habrá cierta
diferencia, que interesa sea lo menor posible. Un concepto clave de muestreo
es el de representatividad: Los procedimientos de muestreo tienen por objeto
generar muestras lo más representativas posible de las poblaciones dados los
objetivos de la investigación y las circunstancias que afectan al muestreo.
Probabilidad y estadíóstica descriptiva
PROBABILIDAD.

La Probabilidad es la mayor o menor posibilidad de que ocurra un

determinado suceso. En otras palabras, su noción viene de la necesidad de
medir o determinar cuantitativamente la certeza o duda de que un suceso
dado ocurra o no.

Ésta establece una relación entre el número de sucesos favorables y el

número total de sucesos posibles. Por ejemplo, lanzar un dado, y que salga el
número uno (caso favorable) está en relación a seis casos posibles (1, 2, 3, 4,
5 y 6); es decir, la probabilidad es 1/6.

La probabilidad está basada en el estudio de la combinatoria y es

fundamento necesario de la estadística, además de otras disciplinas como
matemática, física u otra ciencia. En ellas se aplica una teoría de
probabilidades, la cual tiene como fin examinar las formas y medios para
obtener esas medidas de certeza, así como encontrar los métodos de
combinarlos cuando intervienen varios sucesos en un experimento aleatorio
o prueba.

Cada uno de los resultados obtenidos al realizar un experimento recibe el

nombre de suceso elemental. Se llama espacio muestral el conjunto de todos
los sucesos elementales obtenidos, de forma que todo subconjunto del
espacio muestral es un suceso.

Cuando hablamos de probabilidad tenemos que diferenciar los tipos de

sucesos que pueden ocurrir, pueden ser: sucesos naturales, son aquellos cuyo
resultado podemos predecir; y sucesos por azar, cuyo resultado no podemos
predecir, pero que si se conoce los resultados posibles que se pueden dar.
Los sucesos por azar se pueden clasificar en: suceso seguro, es aquel que es
cierto, que ocurrirá sin lugar a dudas. Por ejemplo, si lanzamos un dado, es
seguro que saldrá un número del 1 al 6. En suceso posible, es todo lo que
compone un fenómeno determinado. Por ejemplo, al lanzar una moneda, los
sucesos posibles son cara o sello.

Y de último, tenemos al suceso imposible, el que no pueden ocurrir y se

contraponen a un suceso seguro. Por ejemplo, que en una partida de domino
dos jugadores tengan la misma ficha, sería imposible porque son 28 fichas
diferentes. La probabilidad es 0 cuando el suceso es imposible y 1 cuando el
suceso es seguro.

ESTADÍSTICA

Es un lenguaje universal de la ciencia tanto en sus ramas físicas como

sociales, la comunicación y el uso de la Estadística nos permiten comunicar
más exactamente los descubrimientos en las investigaciones. La Estadística es
también un instrumento que utilizado con cuidado y precisión nos permite
describir nuestros resultados y adoptar decisiones respecto a lo que nos
dicen. Aprender Estadística es algo simple y se llega a su comprensión total
por medio de ejercicios; en la Estadística intervienen números y letras como
parte de su lenguaje, además, la Estadística posee significados diversos para
personas de formaciones e intereses diversos. El campo de la Estadística se
divide ampliamente en dos ramas, que son: La Estadística descriptiva y la
Estadística Inferencial.

La Estadística Descriptiva está dedicada a la recolección, descripción y

presentación de datos numéricos. La Estadística Inferencial se refiere a las
técnicas de interpretar los valores que se obtienen a partir de las técnicas
descriptivas, además de las técnicas de tomar decisiones sobre la base de los
datos obtenidos .Estadística es la ciencia de recolectar, clasificar, describir e
interpretar datos numéricos
RELACIÓN ENTRE PROBABILIDAD YESTADÍSTICA
La Probabilidad y Estadística son dos campos distintos aunque relacionados
entre sí, en las matemáticas, se dice a veces que la Probabilidades el vehículo
de la Estadística es decir, de no ser por las leyes de Probabilidad, no
existirían las teorías estadísticas, así que investigaremos la diferencia entre
estas dos ramas del árbol matemático.

por otra parte, dentro de la Estadística necesitaremos extraer una muestra

de ella para hacernos conjeturas sobre lo que en ella existe. Por lo que se
podría decir como diferencia bien marcada entre una y otra, lo siguiente: " La
Probabilidad estudia la oportunidad de que algo ocurra, cuando se conocen
las posibilidades; mientras que la Estadística pregunta, cuales son esas posibil
idades a partir de los resultados de una muestra "
¿Queó es el muestreo?
Muestra:

La muestra es una parte de la población, que es representativa de la misma.

Entonces una muestra es una parte o un subconjunto de una población
seleccionado con la finalidad de analizar y obtener propiedades de esta.

Muestreo: es el procedimiento mediante el cual se obtiene una muestra.

Algunas razones que justifican el uso del muestreo son:

1) naturaleza destructiva del proceso de investigación

2) imposibilidad de revisar todos los elementos de la población.

3) Costo: al obtener los datos de una pequeña porción del total.

4) tiempo: al considerar solo una parte del total, su recolección y resumen se

hará con mayor rapidez.

5) precisión: las posibilidades de usar personal mas capacitado y supervisar

cuidadosamente el trabajo de campo y el procesamiento de la información

Seleccionar una muestra adecuada:

Para seleccionar una muestra se deben tomar en cuenta algunas

consideraciones elegir el tamaño de la muestra, lo cual depende no solo de la
cantidad de información que se quiere conseguir, y el grado de certeza
deseada, sino también del costo del muestreo y la selección de los elementos
que la constituyen . Cualquiera sea el método elegido, el requisito mas
importante es que la muestra obtenida proporciona una imagen tan real
como sea posible de aquella población que se ha sometido al muestreo.

Ya visto esto, este es otra definición del Muestreo:

Proceso de medición de la información en solo una parte de la población
estadística. Se define como el proceso de seleccionar un número de
observaciones de un grupo

Existen dos métodos para seleccionar muestra de poblaciones:

Muestreo no aleatorio:
Es práctica común seleccionar una muestra en forma intencional. De acuerdo
a opiniones o criterios personales, fundamentalmente con el objeto de
obtener información sin mucho costo.

Ejemplo: si estamos estudiando el numero de personas que practican fútbol

en una determinada región del país, tenemos que buscar específicamente a
una persona que practique fútbol, es decir el proceso de elegir a quien se le
aplica la encuesta no es aleatorio, a diferencia de que se pregunte que opina
de la selección de fútbol de Venezuela, que la forma de elegir al encuestado si
es aleatorio.

Muestreo aleatorio:
En el cual todos los elementos de la población tienen la oportunidad de ser
escogidos para la muestra. Este procedimiento da a cada elemento de la
población una probabilidad de ser seleccionado.
Tipos de muestreo
Existen diferentes criterios de clasificación de los diferentes tipos de
muestreo, aunque en general pueden dividirse en dos grandes grupos:
métodos de muestreo probabilísticos y métodos de muestreo no
probabilísticos.

Muestreo probabilístico
Los métodos de muestreo probabilísticos son aquellos que se basan en el
principio de equiprobabilidad. Es decir, aquellos en los que todos los
individuos tienen la misma probabilidad de ser elegidos para formar parte de
una muestra y, consiguientemente, todas las posibles muestras de tamaño n
tienen la misma probabilidad de ser seleccionadas. Sólo estos métodos de
muestreo probabilísticos nos aseguran la representatividad de la muestra
extraída y son, por tanto, los más recomendables. Dentro de los métodos de
muestreo probabilísticos encontramos los siguientes tipos:

• Muestreo aleatorio simple:

El procedimiento empleado es el siguiente: 1) se asigna un número a
cada individuo de la población y 2) a través de algún medio mecánico
(bolas dentro de una bolsa, tablas de números aleatorios, números
aleatorios generados con una calculadora u ordenador, etc.) se eligen
tantos sujetos como sea necesario para completar el tamaño de
muestra requerido. Este procedimiento, atractivo por su simpleza,
tiene poca o nula utilidad práctica cuando la población que estamos
manejando es muy grande.

• Muestreo aleatorio sistemático:

Este procedimiento exige, como el anterior, numerar todos los
elementos de la población, pero en lugar de extraer n números
aleatorios sólo se extrae uno. Se parte de ese número aleatorio i, que
es un número elegido al azar, y los elementos que integran la muestra
son los que ocupa los lugares i, i+k, i+2k, i+3k,...,i+(n-1)k, es decir se
 toman los individuos de k en k, siendo k el resultado de dividir el
tamaño de la población entre el tamaño de la muestra: k= N/n. El
número i que empleamos como punto de partida será un número al
azar entre 1 y k. El riesgo este tipo de muestreo está en los casos en
que se dan periodicidades en la población ya que al elegir a los
miembros de la muestra con una periodicidad constante (k) podemos
introducir una homogeneidad que no se da en la población.
Imaginemos que estamos seleccionando una muestra sobre listas de 10
individuos en los que los 5 primeros son varones y los 5 últimos
mujeres, si empleamos un muestreo aleatorio sistemático con k=10
siempre seleccionaríamos o sólo hombres o sólo mujeres, no podría
haber una representación de los dos sexos.

• Muestreo aleatorio estratificado:

Trata de obviar las dificultades que presentan los anteriores ya que
simplifican los procesos y suelen reducir el error muestral para un
tamaño dado de la muestra. Consiste en considerar categorías típicas
diferentes entre sí (estratos) que poseen gran homogeneidad respecto
a alguna característica (se puede estratificar, por ejemplo, según la
profesión, el municipio de residencia, el sexo, el estado civil, etc.). Lo
que se pretende con este tipo de muestreo es asegurarse de que todos
los estratos de interés estarán representados adecuadamente en la
muestra. Cada estrato funciona independientemente, pudiendo
aplicarse dentro de ellos el muestreo aleatorio simple o el estratificado
para elegir los elementos concretos que formarán parte de la muestra.
En ocasiones las dificultades que plantean son demasiado grandes,
pues exige un conocimiento detallado de la población. (Tamaño
geográfico, sexos, edades,...). La distribución de la muestra en función
de los diferentes estratos se denomina afijación, y puede ser de
diferentes tipos:
Afijación Simple: A cada estrato le corresponde igual número de
elementos muéstrales.
 Afijación Proporcional: La distribución se hace de acuerdo con el peso
(tamaño) de la población en cada estrato.
Afijación Optima: Se tiene en cuenta la previsible dispersión de los
resultados, de modo que se considera la proporción y la desviación
típica. Tiene poca aplicación ya que no se suele conocer la desviación.
• Muestreo aleatorio por conglomerados:
Los métodos presentados hasta ahora están pensados para
seleccionar directamente los elementos de la población, es decir, que
las unidades muéstrales son los elementos de la población.
En el muestreo por conglomerados la unidad muestral es un grupo de
elementos de la población que forman una unidad, a la que llamamos
conglomerado. Las unidades hospitalarias, los departamentos
universitarios, una caja de determinado producto, etc., son
conglomerados naturales. En otras ocasiones se pueden utilizar
conglomerados no naturales como, por ejemplo, las urnas electorales.
Cuando los conglomerados son áreas geográficas suele hablarse de
"muestreo por áreas". El muestreo por conglomerados consiste en
seleccionar aleatoriamente un cierto número de conglomerados (el
necesario para alcanzar el tamaño muestral establecido) y en
investigar después todos los elementos pertenecientes a los
conglomerados elegidos.
Ventajas e inconvenientes.

Ventajas e inconvenientes de los distintos tipos de muestreo probabilístico.

CARACTERISTICAS VENTAJAS INCONVENIENTES

Aleatorio simple Se selecciona una  Sencillo y de fácil Requiere que se

muestra de tamaño comprensión. posea de
n de una población  Cálculo rápido de antemano un
de N unidades, cada medias y listado completo
elemento tiene una varianzas.  Se de toda la
probabilidad de basa en la teoría población. Cuando
inclusión igual y estadística, y por se trabaja con
conocida de n/N tanto existen muestras
paquetes pequeñas es
informáticos para posible que no
analizar los datos represente a la
población
adecuadamente.
Sistemático Conseguir un listado  Fácil de aplicar.  Si la constante de
de los N elementos No siempre es muestreo está
de la población necesario tener un asociada con el
Determinar tamaño listado de toda la fenómeno de
muestral n. Definir población. interés, las
un intervalo k= N/n.  Cuando la estimaciones
Elegir un número población está obtenidas a partir
aleatorio, r, entre 1 y ordenada de la muestra
k (r= arranque siguiendo una pueden contener
aleatorio). tendencia sesgo de selección
Seleccionar los conocida, asegura
elementos de la lista. una cobertura de
unidades de todos
los tipos.
Estratificado En ciertas ocasiones  Tiende a  Se ha de conocer
resultará asegurar que la la distribución en
conveniente muestra la población de las
estratificar la represente variables utilizadas
muestra según adecuadamente a para la
 ciertas variables de la población en estratificación.
interés. Para ello función de unas
debemos conocer la variables
composición seleccionadas.
estratificada de la  Se obtienen
población objetivo a estimaciones más
hacer un muestreo. precisa
Una vez calculado el  Su objetivo es
tamaño muestral conseguir una
apropiado, este se muestra lo más
reparte de manera semejante posible
proporcional entre a la población en
los distintos estratos lo que a la o las
definidos en la variables
población usando estratificadoras se
una simple regla de refiere.
tres.
Conglomerados Se realizan varias  Es muy eficiente  El error estándar
fases de muestreo cuando la es mayor que en el
sucesivas población es muy muestreo aleatorio
(polietápico) La grande y dispersa. simple o
necesidad de listados  No es preciso estratificado
de las unidades de tener un listado de .  El cálculo del
una etapa se limita a toda la población, error estándar es
aquellas unidades de sólo de las complejo.
muestreo unidades primarias
seleccionadas en la de muestreo.
etapa anterior.
Nuó meros aleatorios
Un número aleatorio es aquel obtenido al azar, es decir, que todo número
tenga la misma probabilidad de ser elegido y que la elección de uno no
dependa de la elección del otro. El ejemplo clásico más utilizado para
generarlos es el lanzamiento repetitivo de una moneda o dado ideal no
trucado.

¿PARA QUÉ SIRVEN?

Los números aleatorios permiten a los modelos matemáticos representar la

realidad.

En general cuando se requiere una impredecibilidad en unos determinados

datos, se utilizan números aleatorios

Los seres humanos vivimos en un medio aleatorio y nuestro comportamiento

lo es también. Si deseamos predecir el comportamiento de un material, de un
fenómeno climatológico o de un grupo humano podemos inferir a partir de
datos estadísticos. Para lograr una mejor aproximación a la realidad nuestra
herramienta predictiva debe funcionar de manera similar:
aleatoriamente. De esa necesidad surgieron los modelos de simulación.

En la vida cotidiana se utilizan números aleatorios en situaciones tan dispares

como pueden ser los juegos de azar, en el diseño de la caída de los copos de
nieve, en una animación por ordenador, en tests para localización de errores
en chips, en la transmisión de datos desde un satélite o en las finanzas.

¿CÓMO PUEDO GENERAR NÚMEROS ALEATORIOS?

La lógica nos hace pensar que las personas somos generadores aleatorios
imperfectos, hay estudios que demuestran que existen tendencias claras en
los humanos para la elaboración de secuencias sesgadas y están relacionadas
con características personales, con los conocimientos o informaciones previas
o con la edad

Podemos aprovecharnos de situaciones reales para obtener una tabla de

números aleatorios, como la lista de los números de Lotería Nacional
premiados a lo largo de su historia, pues se caracterizan por que cada dígito
tiene la misma probabilidad de ser elegido, y su elección es independiente de
las demás extracciones.

• Métodos manuales, lanzamiento de monedas, lanzamientos de

dados, dispositivos mecánicos, dispositivos electrónicos
• Métodos de computación analógica, son métodos que
dependen de ciertos procesos físicosaleatorios, por ejemplo, el
comportamiento de una corriente eléctrica.
• Métodos de computación digital, cuando se usa el ordenador
digital.
• Tablas de bibliotecas, son números aleatorios que se han
publicado; de los cuales podemos encontrar listas en los libros
de probabilidad y tablas de matemáticas. Estos números fueron
generados por alguno de los métodos de computación analógica.

¿QUÉ SON LOS NÚMEROS PSEUDOALEATORIOS?

Son unos números generados por medio de una función (determinista, no

aleatoria) y que aparentan ser aleatorios. Estos números pseudoaleatorios se
generan a partir de un valor inicial aplicando iterativamente la función. La
sucesión de números pseudoaleatorios es sometida a diversos tests para
medir hasta qué punto se asemeja a una sucesión aleatoria .
¿POR QUÉ HAY QUE RECURRIR A LOS NÚMEROS
PSEUDOALEATORIOS?

Fundamentalmente porque las sucesiones de números pseudoaleatorios son

más rápidas de generar que las de números aleatorios. Si las personas
tenemos dificultad en generar números aleatorios, mucho más la tiene un
ordenador, la dificultad está en que un ordenador es tan "torpe" que no sabe
generarlos. Por eso usan números pseudoaleatorios, que para nuestro fin es
lo mismo, pues nadie los puede predecir.

APLICACIONES EN LA CRIPTOGRAFÍA

En el corazón de todos los sistemas criptográficos, está la generación de

números secretos que no puedan ser adivinados por otra persona, es decir
aleatorios.

La generación de números aleatorios es necesaria en diversos sistemas

criptográficos, como por ejemplo en la telefonía móvil digital GSM se utilizan
para la asignación de una clave aleatoria que sirve para autenticar al usuario
o también para dar cierta seguridad a la asignación inicial de números
secretos a las tarjetas de crédito.
Error de muestreo
El error de muestreo es la desviación de la muestra seleccionada de las
verdaderas características, rasgos, comportamientos, cualidades o figuras de
toda la población.

¿POR QUÉ SUCEDE ESTE ERROR?

El error del proceso de muestreo ocurre cuando los investigadores toman

diferentes sujetos de la misma población, y aún así, los sujetos tienen
diferencias individuales. Debes recordar que cuando tomas una muestra, se
trata de un subconjunto de toda la población y, por lo tanto, puede haber una
diferencia entre la muestra y la población.

La causa más frecuente de dicho error es un procedimiento de muestreo

sesgado. Todo investigador debe tratar de establecer una muestra que esté
libre de sesgos y sea representativa de toda la población. Así, el investigador
es capaz de minimizar o eliminar el error de muestreo.

Otra causa posible de este error es la casualidad. Se lleva a cabo el proceso de

aleatorización y muestreo de probabilidad para minimizar el error del proceso
de muestreo, pero igualmente es posible que todos los sujetos asignados al
azar no sean representativos de la población.

El resultado más común de error de muestreo es el error sistemático en

donde los resultados de la muestra difieren significativamente de los
resultados de toda la población. Se entiende que si la muestra no es
representativa de toda la población, lo más probable es que los resultados de
la muestra difieran de los resultados de toda la población.
TAMAÑO DE LA MUESTRA Y ERROR DE MUESTREO
Dados dos estudios exactamente iguales, dos métodos de muestreo iguales y
la misma población, el estudio con un tamaño de muestra más grande tendrá
menos error del proceso de muestreo que el estudio con un tamaño menor
de la muestra. Debes recordar que a medida que aumenta el tamaño de la
muestra, se acerca al tamaño de toda la población y, por lo tanto, se aproxima
a todas las características de la población, disminuyendo el error del proceso
de muestreo.

DESVIACIÓN ESTÁNDAR Y ERROR DE MUESTREO

La desviación estándar se utiliza para expresar la variabilidad de la población.
Más técnicamente, es la diferencia promedio de todas las puntuaciones
reales de los sujetos de la media o promedio de todas las puntuaciones. Por
lo tanto, si la muestra tiene una alta desviación estándar, se deduce que la
muestra también tiene un alto error del proceso de muestreo.
Se entiende más fácilmente si relacionas la desviación estándar con el
tamaño de la muestra. Debes tener en cuenta que a medida que aumenta el
tamaño de la muestra, la desviación estándar disminuye.

Imagina que tienes sólo 10 sujetos. Con este tamaño de la muestra tan
pequeño, la tendencia de sus resultados es que variarán mucho, produciendo
una alta desviación estándar. Ahora imagina que el tamaño de la muestra
aumentó a 100. La tendencia de sus puntuaciones es a agruparse,
produciendo una desviación estándar baja. Formas de eliminar el error de
muestreo Sólo hay una manera de eliminar este error. Consiste en eliminar el
concepto de muestra y probar a toda la población.

En la mayoría de los casos esto no es posible. Por consiguiente, lo que el

investigador debe hacer es minimizar el error del proceso de muestreo. Esto
se puede lograr con un muestreo probabilístico adecuado y no sesgado y
mediante el uso de un gran tamaño de la muestra.
Distribucioó n muestral de medias.

DISTRIBUCIÓN MUESTRAL

Consideremos todas las posibles muestras de tamaño n en una población.

Para cada muestra podemos calcular un estadístico muestral (la media
muestral , la desviación estándar muestral s, la proporción muestral ,
etc.) que variará de una a otra muestra. Así obtenemos una distribución de
los estadísticos resultantes de cada muestra que se llama distribución
muestral, en otras palabras es:

La distribución de probabilidad de todas las muestras de un determinado

tamaño de muestra de la población.

Las muestras aleatorias obtenidas de una población son, por naturaleza

propia, impredecibles. No se esperaría que dos muestras aleatorias del
mismo tamaño y tomadas de la misma población tenga la misma media
muestral o que sean completamente parecidas; puede esperarse que
cualquier estadístico, como la media muestral, calculado a partir de las
medias en una muestra aleatoria, cambie su valor de una muestra a otra, por
ello, se quiere estudiar la distribución de todos los valores posibles de un
estadístico. Tales distribuciones serán muy importantes en el estudio de la
estadística inferencial, porque las inferencias sobre las poblaciones se harán
usando estadísticos muestrales. Conocer esta distribución muestral y sus
propiedades permitirá juzgar la confiabilidad de un estadístico muestral como
un instrumento para hacer inferencias sobre un parámetro poblacional
desconocido.

Hay dos tipos de distribuciones muestrales: la distribución muestral de

medias y la de proporciones.Es la distribución de probabilidad de todos los
valores de la media muestral ().
DISTRIBUCIÓN MUESTRAL DE MEDIAS.

La distribución muestral de medias como otras distribuciones de probabilidad

tiene un valor esperado, una desviación estándar y una forma característica.

Valor esperado
Cuando se tienen las medias de varias muestras sacadas de una población, la
media de todos esos valores, se le conocerá como valor esperado de la media
muestral.

VALOR ESPERADO DE LA MEDIA MUESTRAL

E () = valor esperado de la media muestral ()

µ = media poblacional
E () = µ

DISTRIBUCIÓN MUESTRAL
El valor esperado de la media muestral E (), es igual a la media de la
población (µ) de la que se tomó la muestra. Cuando el valor esperado de un
estimador puntual es igual al parámetro poblacional, se dice que el estimador
puntual es insesgado.

Desviación estándar de la media muestral.

Es posible demostrar que usando el muestreo aleatorio simple, la desviación
estándar de la media muestral depende de si la población es finita o infinita.
Las dos fórmulas para la desviación estándar son las siguientes:

DESVIACIÓN ESTÁNDAR DE LA MEDIA MUESTRAL.

σ = desviación estándar de la media muestral
σ = desviación estándar poblacional.
n = tamaño de la muestra
N = tamaño de la población.
 Población finita Población infinita
σ
√ ( )
N −n σ
σ = N −1
√n
σ =
√n
Al observar las dos fórmulas se puede notar que en la de población finita el

factor
√ N −n
N −1
se requiere y en la infinita no, a este factor se le conoce
como factor de corrección para una población finita. Esto se ve cuando el
muestreo que se hace en una población finita, es grande, mientras que el
tamaño de la muestra es pequeño, en estos casos el factor de corrección para
una población finita es igual a 1. Por lo tanto, la diferencia entre el valor de la
desviación estándar de la media muestral en el caso de la población finita o
σ
infinita se vuelve despreciable. Entonces σ = es una buena
√n
aproximación a la desviación estándar de la media muestral, aun cuando la
población se a finita. Esta observación lleva a la siguiente regla general, para
calcular la desviación estándar de la media muestral.

DISTRIBUCIÓN MUESTRAL

En los casos en que n/N < 0.05, para calcular σ deberá usarse la versión
para poblaciones finitas.
Para calcular σ, se necesita conocer σ (la desviación estándar de la
población) y para diferenciar σ de σ, a la desviación estándar de la media
muestral se le llama error estándar de la media. Este término se refiere a la
desviación estándar de un estimador puntual, a través de este valor se puede
determinar qué tan lejos puede estar la media muestral de la media
poblacional.

USO DE LA EXPRESIÓN SIGUIENTE PARA CALCULAR LA DESVIACIÓN ESTÁNDAR

DE LA MEDIA MUESTRAL.
σ
σ =
√n
Siempre que:
 1. La población sea infinita; o
2. La población sea finita y el tamaño de la muestra sea menor o igual a
5% del tamaño de la población; es decir, n/N = < 0.05

Forma de la distribución muestral.

El paso final en la identificación de las características de la distribución
muestral de la media es determinar la forma de la distribución muestral. Y
se consideran dos casos:
1. La población tiene distribución normal. Cuando la población tiene
distribución normal, la distribución muestral de la media está
distribuida normalmente sea cual sea el tamaño de la muestra.
2. La población no tiene distribución normal. Y cuan no tiene distribución
normal, el teorema del límite central ayuda a determinar la forma de la
distribución muestral de la media.
Teorema de líómite central
El teorema del límite central es un teorema fundamental de probabilidad y
estadística. El teorema describe la distribución de la media de una muestra
aleatoria proveniente de una población con varianza finita. Cuando el tamaño
de la muestra es lo suficientemente grande, la distribución de las medias
sigue aproximadamente una distribución normal.

El teorema se aplica independientemente de la forma de la distribución de la

población. Muchos procedimientos estadísticos comunes requieren que los
datos sean aproximadamente normales. El teorema de límite central le
permite aplicar estos procedimientos útiles a poblaciones que son
considerablemente no normales.

El tamaño que debe tener la muestra depende de la forma de la distribución

original. Si la distribución de la población es simétrica, un tamaño de muestra
de 5 podría producir una aproximación adecuada. Si la distribución de la
población es considerablemente asimétrica, es necesario un tamaño de
muestra más grande. Por ejemplo, la distribución de la media puede ser
aproximadamente normal si el tamaño de la muestra es mayor que 50.

Las siguientes gráficas muestran ejemplos de cómo la distribución afecta el

tamaño de la muestra que se necesita.

Distribución uniforme
Medias de las muestras

MUESTRAS DE UNA POBLACIÓN UNIFORME

Una población que sigue una distribución uniforme es simétrica, pero

marcadamente no normal, como lo demuestra el primer histograma. Sin
embargo, la distribución de las medias de 1000 muestras de tamaño 5 de esta
población es aproximadamente normal debido al teorema del límite central,
como lo demuestra el segundo histograma. Este histograma de las medias de
las muestras incluye una curva normal superpuesta para ilustrar esta
normalidad.

Distribución exponencial
Medias de las muestras

MUESTRAS DE UNA POBLACIÓN EXPONENCIAL

Una población que sigue una distribución exponencial es asimétrica y no
normal, como lo demuestra el primer histograma. Sin embargo, la
distribución de las medias de 1000 muestras de tamaño 50 de esta población
es aproximadamente normal debido al teorema del límite central, como lo
demuestra el segundo histograma. Este histograma de las medias de las
muestras incluye una curva normal superpuesta para ilustrar esta
normalidad.
Conclusioó n
El muestreo Estadístico resulta beneficioso para implementarlo en la
realización de un estudio, debido a que mediante este se pueden obtener
probabilidades bajas o altas a través de determinados beneficios que estas
técnicas ofrecen. En los diferentes tipos de muestreo existen no probabilística
en los cuales se deben establecer diferencia en el momento de realizar
nuestras investigaciones por tanto que en el no probabilística no toda la
población forma parte de la muestra y en el probabilística todos los
individuos tienen probabilidad positiva de formar parte de la muestra.

El muestreo es sencillamente el procedimiento que se emplea a extraer una

pequilla parte de una población dentro de un universo a esta se le llama
espacio muestral dentro de un universo.
Bibliografíóa

• http://frecuenciaestadistica.blogspot.mx/2009/04/muestreo.html
• http://estadisticavigrado.blogspot.mx/2011/04/teorema-del-limite-
central.html
• https://explorable.com/es/distribucion-de-muestreo
• https://es.scribd.com/search?
content_type=documents&page=1&query=%EF%83%98Distribuci
%C3%B3n%20muestral%20de%20medias.
• https://es.scribd.com/doc/277667877/Probabilidad-y-Estadistica-
Unidad-IV