UNIVERSIDAD NACIONAL DE CAJAMARCA

FACULTAD DE CIENCIAS SOCIALES

ESCUELA ACADEMICO PROFECIONAL DE TURISMO Y

HOTELERIA

TEMA:

ASIGNATURA:

DOCENTE:

ALUMNAS:

CICLO:

CAJAMARCA - PERÚ
 DEDICATORIA

Dedicamos la realización de esta informe a Dios por darnos la vida y la sabiduría

para la elaboración de esta Monografía; a nuestros padres, quienes son el pilar
de nuestra formación como personas y profesionales, que día a día con sus
consejos y apoyo incondicional podemos concluir nuestras metas, también
hacemos mención a nuestras amistades quiénes son el soporte para seguir
saliendo adelante cumpliendo con esfuerzo nuestros objetivos.
 AGRADECIMIENTO

En primer lugar agradecemos a Dios por darnos la vida y la salud día a día, y nos
permite salir adelante a pesar de las diferentes dificultades que se nos presentan
diariamente, también agradecemos a nuestros familiares por el apoyo que nos brindan y
por confiar en nosotros, y a nuestra docente (nombre del profesor) por el apoyo que nos
viene brindando día a día en las aulas de la Universidad Nacional de Cajamarca, para
poder ser profesionales con éxito.
 INDICE

INTRODUCCION………………………………………………………………………………….………5
MARCO TEORICO………………………………………………………….……………………………………………6

1. ¿Qué es el muestreo?......................................................................................6
2. Técnicas de muestreo estadístico…………………………………………..…………………….7
3. ¿Por qué funciona el muestreo?......................................................................8
4. Ventajas e inconvenientes del muestreo…………………………………………………….11
5. Tipos de muestreo………………………………………………………………………………………12
5.1 Muestreo sistemático…………………………………………………………………………..12
5.2 Muestreo estratificado………………………………………………………………………….13
5.3 Muestreo por etapas múltiples……………………………………………………………..14
5.4 Muestreo por conglomerados……………………………………………………………….14
5.5 Muestreo no probabilístico……………………………………….………………………….16
5.6 Muestreo por cuotas………………………………………………………………………….…16
5.7 Muestreo de bola de nieve……………………………………………………………………16
5.8 Muestreo subjetivo por decisión razonada……………………………………………16
6. ¿Qué es un intervalo de confianza?..........................................................17
7. ¿Qué es una prueba de hipótesis?.............................................................19
8. Conclusiones…………………………………………………………………………………………..22
9. Referencias……………………………………………………………………………………………..23
 INTRODUCCIÓN

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. 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 averiguación y las circunstancias que afectan al muestreo.

Desde un punto de vista aplicado, se denomina muestreo el proceso de selección de la

muestra o muestras a utilizar para la investigación. Esto supone generar una o pocas
muestras.

Desde un punto de vista teórico, el concepto de muestreo es fundamental para la

Inferencia Estadística. El hecho de que las muestras no sean exactamente
representativas de las poblaciones significa que las inferencias presentan cierto
margen de incertidumbre.

En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que

es otro de los tres grandes conjuntos de técnicas que se utilizan en la Inferencia
Estadística. La situación general que vamos a considerar es la misma que en el capítulo
anterior: Disponemos de una muestra aleatoria (X1,..., Xn) de una característica X de
una población. Pensamos que esta característica puede ser adecuadamente
modelizada mediante un modelo de probabilidad con función de masa Pθ (x) (en el
caso discreto) o con función de densidad fθ (x) (en el caso continuo). En cualquiera de
los casos, lo único que nos falta por conocer es el valor del parámetro θ ∈ Θ, que es
desconocido. Lo que tratamos de hacer en este capítulo es encontrar intervalos que
sirvan para estimar este parámetro desconocido, fijando el nivel de confianza que
queremos que tenga dicha estimación. En primer lugar, se plantearán dos ejemplos
sencillos que servirán como motivación.

Dentro del estudio de la inferencia estadística, se describe cómo se puede tomar

una muestra aleatoria y a partir de esta muestra estimar el valor de un parámetro
poblacional en la cual se puede emplear el método de muestreo y el teorema del valor
central lo que permite explicar cómo a partir de una muestra se puede inferir algo
acerca de una población, lo cual nos lleva a definir y elaborar una distribución de
muestreo de medias muestrales que nos permite explicar el teorema del límite central
y utilizar este teorema para encontrar las probabilidades de obtener las distintas
medias maestrales de una población.
Pero es necesario tener conocimiento de ciertos datos de la población como la media,
la desviación estándar o la forma de la población, pero a veces no se dispone de
esta información.
En este caso es necesario hacer una estimación puntual que es un valor que se usa
para estimar un valor poblacional. Pero una estimación puntual es un solo valor y se
requiere un intervalo de valores a esto se denomina intervalo de confianza y se espera
que dentro de este intervalo se encuentre el parámetro poblacional buscado. También
se utiliza una estimación mediante un intervalo, el cual es un rango de valores en el
que se espera se encuentre el parámetro poblacional.
En nuestro caso se desarrolla un procedimiento para probar la validez de una
aseveración acerca de un parámetro poblacional este método es denominado Prueba
de hipótesis para una muestra.

MARCO TEORICO
1. ¿Qué es el muestreo?
El muestreo es el proceso de seleccionar un conjunto de individuos de una población
con el fin de estudiarlos y poder caracterizar el total de la población.

Al elegir una muestra aleatoria se espera conseguir que sus propiedades sean
extrapolables a la población. Este proceso permite ahorrar recursos, y a la vez obtener
resultados parecidos a los que se alcanzarían si se realizase un estudio de toda la
población. En las investigaciones llevadas por empresarios y de la medicina se usa
muestreo extensivamente en recoger información sobre poblaciones.

Cabe mencionar que para que el muestreo sea válido y se pueda realizar un estudio
adecuado (que consienta no solo hacer estimaciones de la población sino estimar
también los márgenes de error correspondientes a dichas estimaciones), debe cumplir
ciertos requisitos. Nunca podremos estar enteramente seguros de que el resultado sea
una muestra representativa, pero sí podemos actuar de manera que esta condición se
alcance con una probabilidad alta.
En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño de la
población, se puede extraer dos o más muestras de la misma población. Al conjunto de
muestras que se pueden obtener de la población se denomina espacio muestral. La
variable que asocia a cada muestra su probabilidad de extracción, sigue la
llamada distribución muestral.

La idea es bastante simple. Imagina que queremos saber algo de un universo o

población, por ejemplo, qué porcentaje de los habitantes de México fuma
habitualmente. Una forma de obtener este dato sería contactar con todos los
habitantes de México (122 millones de personas) y preguntarles si fuman. La otra
forma sería seleccionar un subconjunto de individuos (por ejemplo, 1.000 personas),
preguntarles si fuman y usar esta información como una aproximación de la
información que busco. Pues bien, este grupo de 1.000 personas que me
permiten conocer mejor cómo se comportan el total de mexicanos es una muestra, y la
forma en que los selecciono es el muestreo.

En la definición anterior hemos introducido dos términos fundamentales a lo largo de

esta serie de posts:

 Universo o población: Es el total de individuos que deseo estudiar o caracterizar. En

el ejemplo anterior es la población de México, pero podemos pensar en todo tipo
de universos, más generales y más concretos. Por ejemplo, si quiero saber cuánto
fuman de medios los fumadores de México, el universo en este caso serían "los
fumadores de México".
 Muestra: Es el conjunto de individuos del universo que selecciono para estudiarlos,
por ejemplo a través de una encuesta.
2. Técnicas de muestreo estadístico

Existen dos métodos para seleccionar muestras de poblaciones: el muestreo no

aleatorio o de juicio y el muestreo aleatorio (que incorpora el azar como recurso en el
proceso de selección). Cuando este último cumple con la condición de que todos los
elementos de la población tienen alguna oportunidad de ser escogidos en la muestra,
si la probabilidad correspondiente a cada sujeto de la población es conocida de
antemano, recibe el nombre de muestreo probabilístico. Una muestra seleccionada
por muestreo de juicio puede basarse en la experiencia de alguien con la población.
Algunas veces una muestra de juicio se usa como guía o muestra tentativa para decidir
cómo tomar una muestra aleatoria más adelante.

3. ¿Por qué funciona el muestreo?

El muestreo es útil gracias a que podemos acompañarlo de un proceso inverso, que
llamamos generalización. Es decir, para conocer un universo lo que hacemos es:
1. Extraer una muestra del mismo.
2. Medir un dato u opinión.
3. Proyectar en el universo el resultado observado en la muestra. Esta proyección
o extrapolación recibe el nombre de generalización de resultados.

La generalización de resultados añade cierto error al mismo. Imagina que tomamos

una muestra al azar de 1.000 personas de México y les preguntamos si fuman.
Obtengo que el 25% de la muestra fumar. La simple lógica nos dice que si de 1.000
mexicanos elegidos al azar el 25% fuma, este dato debería ser indicativo de lo que
obtendríamos si preguntásemos a los 122 millones de mexicanos. Ahora bien, el azar
podría haber hecho que haya escogido para mi muestra más fumadores de lo que
correspondería a la proporción exacta que hay en el universo o, por el contrario, que
en mi muestra los fumadores estén algo infra-representados. El azar podría hacer que
el porcentaje de fumadores en la población fuese algo diferente del 25% que hemos
observado en la muestra (tal vez un 25,2%, por ejemplo). Por lo tanto, la
generalización de resultados de un muestra a un universo conlleva aceptar que
cometemos cierto error, tal y como ilustra el siguiente esquema.
Afortunadamente, el error que cometo al generalizar resultados puede acotarse
gracias a la estadística. Para ello usamos dos parámetros: el margen de error, que es la
máxima diferencia que esperamos que haya entre el dato observado en mi muestra y
el dato real en el universo, y el nivel de confianza, que es el nivel de certeza que tengo
de que realmente el dato real esté dentro del margen de error.

Por ejemplo, en nuestro caso de fumadores mexicanos, si selecciono una muestra de

471 individuos y les pregunto si fuman, el resultado que obtenga tendrá un margen de
error máximo de +-5% con un nivel de confianza del 97%. Esta forma de expresar los
resultados es la correcta cuando usamos muestreo.

El tamaño de la muestra
¿Qué tamaño de muestra necesito usar para estudiar cierto universo? Depende del
tamaño del universo y del nivel de error que esté dispuesto a aceptar, tal y como
explicábamos en su día en este post. Cuanta más precisión exija, mayor muestra
necesito. Si quiero tener una certeza absoluta en mi resultado, hasta el último decimal,
mi muestra tendrá que ser tan grande como mi universo.

Pero el tamaño de la muestra tiene una propiedad fundamental que explica por qué el
muestreo se usa tanto en tantos ámbitos del conocimiento. Esta propiedad podría
resumirse como sigue: a medida que estudio universos mayores, el tamaño de muestra
que necesito cada vez representa un porcentaje menor de dicho universo.
Este fenómeno lo explican de forma muy didáctica en Gaussianos.com, un interesante
blog dedicado a las matemáticas. Supongamos que queremos hacer una encuesta para
saber un porcentaje (podría ser el de gente que fuma) con un nivel de error
determinado, por ejemplo un margen de error del 5% y una confianza del 95%. Si el
universo a estudiar fuese de tan sólo 100 personas, mi muestra tendría que ser de 79,5
individuos (es decir, 79,5% del universo, lo que representa un parte muy importante
del total del universo). Si el universo fuese de 1.000 personas, mi muestra debería ser
de 277,7 personas (27,7% del universo). Y si mi universo fuese de 100.000 personas, la
muestra necesaria sería de 382,7 personas (3,83% del universo).

Por lo tanto, a medida que trabajo con universos más grandes, la muestra que necesito
debe ir creciendo pero de forma no proporcional, tiende a estancarse y cada vez
representa un porcentaje más pequeño del universo. De hecho, a partir de cierto
tamaño de universo (en torno a 100.000 individuos), el tamaño de la muestra ya no
necesita crecer más. La siguiente tabla nos muestra algunos ejemplos:

Tamaño de muestra necesaria para tener un error del 5% con un nivel de confianza
del 95%

Universo Muestra necesaria %

10 10 100%
100 80 80%
1.000 278 27,8%
10.000 370 3,7%
100.000 383 0,38%
1.000.000 384 0,038%
10.000.000 385 0,004%
100.000.000 385 0,0004%

Los datos anteriores nos dicen que por grande que sea el universo, con 385 personas
puedo estudiar cualquier dato con el mismo nivel de error (margen de 5%, confianza
de 95%). Por esta razón el muestreo es tan poderoso: nos permite hacer afirmaciones
altamente precisas de una gran cantidad de individuos a través de un parte muy
pequeña de los mismos.

Como contrapartida, el ejemplo anterior ilustra que el muestreo no funciona bien en

universos pequeños. Si tengo una clase de 10 alumnos, la opinión de cada uno de ellos
es fundamental para conocer la opinión global, no puedo prescindir de ninguno. Si no
quiero superar el error que nos hemos propuesto, en un universo de 10 individuos
necesito encuestar a todos ellos.

4. Ventajas e inconvenientes del muestreo

Resumimos a continuación las principales ventajas e inconvenientes de usar muestreo

frente a estudiar todo un universo.

Ventajas:
 Necesitamos estudiar menos individuos, necesitamos menos recursos (tiempo y
dinero).
 La manipulación de datos es mucho más simple. Si con una muestra de 1.000
personas tengo suficiente, ¿para qué quiero analizar un fichero de millones de
registros?
Inconvenientes:
 Introducimos error (controlado) en el resultado, debido a la propia naturaleza del
muestreo y a la necesidad de generalizar resultados.
 Tenemos el riesgo de introducir sesgos debido a una mala selección de la muestra.
Por ejemplo, si la forma en que selecciono individuos para la muestra no es
aleatoria, mis resultados pueden verse seriamente afectados.

La muestra aleatoria simple: definición y alternativas

La teoría del muestreo se basa en el concepto de muestra aleatoria simple. Una

muestra aleatoria simple es aquella muestra en la que se seleccionan individuos del
universo de forma totalmente aleatoria Forman parte de este tipo de muestreo todos
aquellos métodos para los que se puede calcular la probabilidad de extracción de
cualquiera de las muestras posibles. Este conjunto de técnicas de muestreo es el más
aconsejable, aunque en ocasiones no es posible optar por él.

Pero una cosa es la teoría y otra la práctica. Sólo en entornos muy controlados es
posible hacer muestras aleatorias. Por otra parte, cuando tenemos universos
compuestos por grupos homogéneos (entre sí) de personas, podemos aprovechar esta
agrupación para mejorar la calidad de mi muestra (o reducir el tamaño de la misma).

5. Tipos de muestreo
 Sin reposición de los elementos: Cada elemento extraído se descarta para la
sucesiva extracción. Por ejemplo, si se extrae una muestra de una "población"
de bombillas para evaluar la vida media de las bombillas que la integran, no
será posible medir más que una vez la bombilla seleccionada.
 Con reposición de los elementos: Las observaciones se realizan con remplazo
de los individuos, de forma que la población es idéntica en todas las
extracciones. En poblaciones muy grandes, la probabilidad de repetir una
extracción es tan pequeña que el muestreo puede considerarse con reposición
aunque, realmente, no lo sea.
 Con reposición múltiple: En poblaciones muy grandes, la probabilidad de
repetir una extracción es tan pequeña que el muestreo puede considerarse con
reposición.
Para realizar este tipo de muestreo, y en determinadas situaciones, es muy útil
la extracción de números aleatorios mediante ordenadores, calculadoras o
tablas construidas al efecto.

5.1 Muestreo sistemático

Se utiliza cuando el universo o población es de gran tamaño, o ha de extenderse en el
tiempo. Primero hay que identificar las unidades y relacionarlas con el calendario
(cuando proceda). Luego hay que calcular una constante, denominada coeficiente de
elevación:

K= N/n

Donde N es el tamaño de la población y n el tamaño de la muestra.

Para determinar en qué fecha se producirá la primera extracción hay que elegir al azar
un número entre 1 y K; de ahí en adelante tomar uno de cada K a intervalos regulares.
Ocasionalmente, es conveniente tener en cuenta la periodicidad del fenómeno.

Esto quiere decir que si tenemos un determinado número de personas que es la

población (N) y queremos escoger de esa población un número más pequeño el cual es
la muestra (n), dividimos el número de la población por el número de la muestra que
queremos tomar y el resultado de esta operación será el intervalo, entonces
escogemos un número al azar desde uno hasta el número del intervalo, y a partir de
este número escogemos los demás siguiendo el orden.

5.2 Muestreo estratificado

Consiste en la división previa de la población de estudio en grupos o clases que se
suponen homogéneos con respecto a alguna característica de las que se van a
estudiar. A cada uno de estos estratos se le asignaría una cuota que determinaría el
número de miembros del mismo que compondrán la muestra. Dentro de cada estrato
se suele usar la técnica de muestreo sistemático, una de las técnicas de selección más
usadas en la práctica.

Según la cantidad de elementos de la muestra que se han de elegir de cada uno de los
estratos, existen dos técnicas de muestreo estratificado:

 Asignación proporcional: el tamaño de la muestra dentro de cada estrato es

proporcional al tamaño del estrato dentro de la población.

 Asignación óptima: la muestra recogerá más individuos de aquellos estratos que

tengan más variabilidad. Para ello es necesario un conocimiento previo de la
población.

Por ejemplo, para un estudio de opinión, puede resultar interesante estudiar por
separado las opiniones de hombres y mujeres pues se estima que, dentro de cada uno
de estos grupos, puede haber cierta homogeneidad. En la asignación proporcional, si la
población está compuesta de un 55% de mujeres y un 45 % de hombres, se tomaría
una muestra que contenga también esos mismos porcentajes de hombres y mujeres.
En la asignación óptima, si todos los hombres piensan igual, pero las mujeres son
impredecibles, se tomaría una muestra con más del 55% de mujeres.

Para una descripción general del muestreo estratificado y los métodos de inferencia
asociados con este procedimiento, suponemos que la población está dividida
en h subpoblaciones o estratos de tamaños conocidos N1, N2,..., Nh tal que las unidades
en cada estrato sean homogéneas respecto a la característica en cuestión. La media y
la varianza desconocidas para el i-ésimo estrato son denotadas por mi y si2,
respectivamente.

5.3 Muestreo por etapas múltiples

Esta técnica es la única opción cuando no se dispone de lista completa de la población
de referencia o bien cuando por medio de la técnica de muestreo simple o
estratificado se obtiene una muestra con unidades distribuidas de tal forma que
resultan de difícil acceso. En el muestreo a estudios múltiples se subdivide la población
en varios niveles ordenados que se extraen sucesivamente por medio de un
procedimiento de embudo. El muestreo se desarrolla en varias fases o extracciones
sucesivas para cada nivel.

Por ejemplo, si tenemos que construir una muestra de profesores de primaria en un

país determinado, éstos pueden subdividirse en unidades primarias representadas por
circunscripciones didácticas y unidades secundarias que serían los propios profesores.
En primer lugar extraemos una muestra de las unidades primarias (para lo cual
debemos tener la lista completa de estas unidades) y en segundo lugar extraemos
aleatoriamente una muestra de unidades secundarias de cada una de las primarias
seleccionadas en la primera extracción.

5.4 Muestreo por conglomerados

Se utiliza cuando la población se encuentra dividida, de manera natural, en grupos que
se supone que contienen toda la variabilidad de la población, es decir, la representan
fielmente respecto a la característica a elegir, pueden seleccionarse sólo algunos de
estos grupos o conglomerados para la realización del estudio.

Dentro de los grupos seleccionados se ubicarán las unidades elementales, por ejemplo,
las personas a encuestar, y podría aplicársele el instrumento de medición a todas las
unidades, es decir, los miembros del grupo, o sólo se le podría aplicar a algunos de
ellos, seleccionados al azar. Este método tiene la ventaja de simplificar la recogida de
información muestral.

Cuando, dentro de cada conglomerado seleccionado, se extraen algunos individuos

para integrar la muestra, el diseño se llama muestreo bietápico.

Las ideas de estratos y conglomerados son, en cierto sentido, opuestas. El primer

método funciona mejor cuanto más homogénea es la población respecto del estrato,
aunque más diferentes son éstos entre sí. En el segundo, ocurre lo contrario. Los
conglomerados deben presentar toda la variabilidad, aunque deben ser muy parecidos
entre sí.

Homogeneidad de las poblaciones o sus subgrupos

Homogéneo significa, en el contexto de la estratificación, que no hay mucha
variabilidad. Los estratos funcionan mejor cuanto más homogéneos son cada uno de
ellos respecto a la característica a medir. Por ejemplo, si se estudia la estatura de una
población, es bueno distinguir entre los estratos mujeres y hombres porque se espera
que, dentro de ellos, haya menos variabilidad, es decir, sean menos heterogéneos.
Dicho de otro modo, no hay tantas diferencias entre unas estaturas y otras dentro del
estrato que en la población total.

Por el contrario, la heterogeneidad hace inútil la división en estratos. Si se dan las

mismas diferencias dentro del estrato que en toda la población, no hay por qué usar
este método de muestreo. En los casos en los que existan grupos que contengan toda
la variabilidad de la población, lo que se construyen son conglomerados, que ahorran
algo del trabajo que supondría analizar toda la población. En resumen, los estratos y
los conglomerados funcionan bajo principios opuestos: los primeros son mejores
cuanto más homogéneo es el grupo respecto a la característica a estudiar y los
conglomerados, si representan fielmente a la población, esto es, contienen toda su
variabilidad, o sea, son heterogéneos.

El espacio muestral es: Conjunto formado por todos los resultados posibles de un
experimento aleatorio. EJ: Al lanzar un dado no cargado el espacio muestral del dado
seria: 1-2-3-4-5-6.
5.5 Muestreo no probabilístico
Es aquel para el que no se puede calcular la probabilidad de extracción de una
determinada muestra. Por tal motivo, se busca seleccionar a individuos que tienen un
conocimiento profundo del tema bajo estudio y se considera que la información
aportada por esas personas es vital para la toma de decisiones.

5.6 Muestreo por cuotas

Es la técnica más difundida sobre todo en estudios de mercado y sondeos de opinión.

En primer lugar es necesario dividir la población de referencia en varios estratos
definidos por algunas variables de distribución conocida (como el género o la edad).
Posteriormente se calcula el peso proporcional de cada estrato, es decir, la parte
proporcional de población que representan. Finalmente se multiplica cada peso por el
tamaño de n de la muestra para determinar la cuota precisa en cada estrato. Se
diferencia del muestreo estratificado en que una vez determinada la cuota, el
investigador es libre de elegir a los sujetos de la muestra dentro de cada estrato.

5.7 Muestreo de bola de nieve

Indicado para estudios de poblaciones clandestinas, minoritarias o muy dispersas pero

en contacto entre sí. Consiste en identificar sujetos que se incluirán en la muestra a
partir de los propios entrevistados. Partiendo de una pequeña cantidad de individuos
que cumplen los requisitos necesarios, servirán como localizadores de otros con
características análogas.

5.8 Muestreo subjetivo por decisión razonada

En este caso las unidades de la muestra se eligen en función de algunas de sus

características de manera racional y no casual. Una variante de esta técnica es
el muestreo compensado o equilibrado, en el que se seleccionan las unidades de tal
forma que la media de la muestra para determinadas variables se acerque a la media
de la población. La cual funciona sobre la base de referencias o por recomendación,
después se reconoce por medio de la estadística.
Ejemplo de muestreo:

En un estudio sobre salarios en una empresa, se tuvieron en cuenta tres estados:

directivas, empleados y obreros.

Suponiendo que la empresa cuenta con 25 directivas, 130 empleados y 913 obreros, y
el tamaño de la muestra que vamos a seleccionar es n = 120. Si la afijación es
proporcional debemos repartir la muestra de la siguiente manera:

N = 25 + 130 + 913  1068 Personas

n1  25 / 1068 x 120 = 2.8  3 Directivas

n1 = 130 /1068 x 120 = 14.6  15 Empleados

n1 = 913 / 1068 x 120 = 102.6  102 Obreros

 Las 3 Directivas, los 15 empleados y los 102 obreros los seleccionamos utilizando el
muestreo aleatorio simple.

6. ¿Qué es un intervalo de confianza?

Un intervalo de confianza es un rango de valores, derivado de los estadísticos de la
muestra, que posiblemente incluya el valor de un parámetro de población
desconocido. Debido a su naturaleza aleatoria, es poco probable que dos muestras de
una población en particular produzcan intervalos de confianza idénticos. Sin embargo,
si usted repitiera muchas veces su muestra, un determinado porcentaje de los
intervalos de confianza resultantes incluiría el parámetro de población desconocido.
En este caso, la línea negra horizontal representa el valor fijo de la media desconocida
de la población, µ. Los intervalos de confianza azules verticales que se sobreponen a la
línea horizontal contienen el valor de la media de la población. El intervalo de
confianza rojo que está completamente por debajo de la línea horizontal no lo
contiene. Un intervalo de confianza de 95% indica que 19 de 20 muestras (95%) de la
misma población producirán intervalos de confianza que contendrán el parámetro de
población.

Utilice el intervalo de confianza para evaluar la estimación del parámetro de población.

Por ejemplo, un fabricante desea saber si la longitud media de los lápices que produce
es diferente de la longitud objetivo. El fabricante toma una muestra aleatoria de
lápices y determina que la longitud media de la muestra es 52 milímetros y el intervalo
de confianza de 95% es (50,54). Por lo tanto, usted puede estar 95% seguro de que la
longitud media de todos los lápices se encuentra entre 50 y 54 milímetros.

El intervalo de confianza se determina calculando una estimación de punto y luego

determinando su margen de error.
Estimación de punto

Este valor individual estima un parámetro de población usando los datos de la

muestra.

Margen de error
Cuando usted utiliza estadísticos para estimar un valor, es importante recordar
que, sin importar lo bien que esté diseñado su estudio, su estimación está
sujeta a error de muestreo aleatorio. El margen de error cuantifica este error e
indica la precisión de la estimación.

Usted probablemente ya entiende el margen de error, porque está relacionado

con los resultados de las encuestas. Por ejemplo, una encuesta política podría
indicar que el nivel de popularidad de un candidato es de 55% con un margen
de error de 5%. Esto significa que el nivel de popularidad real es +/- 5% y, por lo
tanto, se ubica entre 50% y 60%.
 Para un intervalo de confianza bilateral, el margen de error es la distancia
desde el estadístico estimado hasta cada el valor del intervalo de confianza.
Cuando un intervalo de confianza es simétrico, el margen de error es la mitad
del ancho del intervalo de confianza. Por ejemplo, la longitud media estimada
de un árbol de levas es 600 mm y el intervalo de confianza oscila entre 599 y
601. El margen de error es 1.

Mientras mayor sea el margen de error, más ancho será el intervalo y menos
seguro podrá estar usted del valor de la estimación de punto.

7. ¿Qué es una prueba de hipótesis?

Una prueba de hipótesis es una regla que especifica si se puede aceptar o rechazar una
afirmación acerca de una población dependiendo de la evidencia proporcionada por
una muestra de datos.

Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la
hipótesis nula y la hipótesis alternativa. La hipótesis nula es el enunciado que se
probará. Por lo general, la hipótesis nula es un enunciado de que "no hay efecto" o "no
hay diferencia". La hipótesis alternativa es el enunciado que se desea poder concluir
que es verdadero de acuerdo con la evidencia proporcionada por los datos de la
muestra.

Con base en los datos de muestra, la prueba determina si se puede rechazar la

hipótesis nula. Usted utiliza el valor p para tomar esa decisión. Si el valor p es menor
que el nivel de significancia (denotado como α o alfa), entonces puede rechazar la
hipótesis nula.

Un error común de percepción es que las pruebas estadísticas de hipótesis.

 Problemas. Intervalos de Confianza y Contrastes de Hipótesis

Intervalos de Confianza

Variable Normal en la población

Se selecciona una muestra de tamaño de una población

X  N (, )

1. Intervalo de confianza para la media  con  conocida.

2. Intervalo de confianza para la media  con  desconocida.

3. Intervalo de confianza para la varianza 2..

Ejemplos Resueltos de Intervalos de Confianza

Ejemplo 1. Intervalo de confianza para la media con 
Conocida.
Se ha obtenido una muestra de 25 alumnos de la Facultad den Turismo y Hotelería
para estimar la calificación media de los expedientes de los alumnos en la Facultad. Se
sabe por otros cursos que la desviación típica de las puntuaciones en dicha Facultad es
de 2.01 puntos.
La media de la muestra fue de 4.9.
1. Intervalo de confianza al 90 %.
2. Intervalo de confianza al 99 %.

Solución ejemplo 1.

1. Intervalo de confianza al 90 %. Usamos la fórmula:

Los cuantiles de orden 0.05 y 0.95, que encierran en el centro de la distribución normal
un área igual a 0.9 se muestran en el grafico siguiente:

Por último, sustituyendo los datos en la fórmula del intervalo, tenemos:

(4, 24, 5, 56)

2. Intervalo de confianza al 99 %.
De modo similar obtenemos los cuantiles de orden 0.005 y 0.995 que
Describen en el modelo normal una confianza del 99%.

Por último, sustituyendo los datos en la fórmula del intervalo, tenemos:

8. Conclusiones

 Definir la muestra en una investigación de mercados es un componente

importante; porque desde el planteamiento del problema, debe tenerse una
idea clara acerca de los participantes, que son quienes van a aportar en la
solución de dicho problema.
 Durante el plan de muestreo se debe identificar los sujetos, objetos, sucesos,
eventos o contextos a estudiar y lo primero que se hace es definir las unidades
de análisis -personas, empresas, eventos, etc.
 El muestreo probabilístico es una técnica en donde las muestras son recogidas
en un proceso que brinda a todos los individuos de la población las mismas
oportunidades de ser aleatoriamente seleccionados. La ventaja de utilizar una
muestra aleatoria es la ausencia de sesgos de muestreo y sistemáticos. Si la
selección aleatoria se hace correctamente, la muestra será representativa de
toda la población.
  En un 90 % se de confianza se estima que el intervalo de confianza se
encuentra entre el 5.376% y 10.624, antes y después de la media
respectivamente.
Si se condensan los resultados hasta aquí obtenidos, a manera de conclusiones se
puede abordar, que todo problema de prueba de hipótesis consiste en lo siguiente:
 Identificar una variable aleatoria X que tiene una distribución conocida, es
decir, que pertenece a una clase determinada, por ejemplo a las del tipo
normal, y con relación a la cual se quiere tomar una decisión respecto al valor
de un parámetro desconocido.
 Se plantea una hipótesis nula, donde se asume un valor para el parámetro; y
una hipótesis alternativa donde se contradice lo expresado en la hipótesis
nula.
 Se escoge el nivel de significación a, que es la probabilidad de rechazar la
hipótesis nula siendo esta cierta.
 Se selecciona una muestra de tamaño n para estimar el parámetro
desconocido y poder posteriormente decidir si se rechaza o no H0.
 Se define la región crítica para la prueba de hipótesis de interés.
 Se toma la decisión de rechazar H0, con un nivel de significación a si el valor
estimado del parámetro está en la región crítica y de no rechazar H0 si este
valor no está en la región crítica.

9. Referencias:
1. Muestreo Publicado por la Universidad de Sonora.
2. Salant, Priscilla, I. Dillman, and A. Don. How to conduct your own survey. No.
300.723 S3. 1994.
3. MARTÍNEZ BENCARDINO, Ciro (2012). Estadística y Muestreo. Bogotá: Ecoe.
4. COCHRAN, William G. (1980). Técnicas de muestreo. México: CECSA.
5. http://www.monografias.com/trabajos30/prueba-de-hipotesis/prueba-de-
hipotesis.shtml#ixzz53GXcIBPW.
6. http://kristinaopina.wixsite.com/muestreo.
7. http://www.monografias.com/trabajos75/prueba-hipotesis/prueba-
hipotesis2.shtml#conclusioa#ixzz53I9Myw4y.