156TEORIA DE MUESTREOlcAP.

5Una población finita muestreada con remplazamiento pue

de teóricamente considerarse infinitaya qqe pueden extraerse mueshas de cualquier
tamaño sin agotar la población. Para la mayoría depropósitos prácticos el muestreo de una
población finita que er *úy grande puede
"otrrideturr"como muestreo de una población infinita.
MUESTRAS ALEATORIAS. NUMEROS ALEAT'IORIOSLógicamente, la confiabilidad de las conc
lusiones extraídas concemientes a una población de-
penden de si la mqestra .se ha escogido de tal modo que represente la población lo
suficientemente bien; unó de los proble de la i4ferencla estádística es "3-o "."og",un
a muestra.
Una forma de hacer esto para poblaciones finit¿s es asegurarse de que cada miembro
de lapoblación tenga igual oportunidad de encontrarse en la mueslra, lo cual J" c
o.o"e comó muestraales,toria-El muestreo aleatorio puede efectuarse para poblacion
es relativamente pequeñas extrayen-
do lotes o, en forma equivalente, utilizando una tablá de númerosaleatorios 1epénaice
I)especial-
mente construida para tales propósitos. Véase Problema 5.48.
_ Debido a que la inferencia de la muestra a la población no puede ser cierta debe
mos emplear ellenguaje de probabilidad en cualquier proposición áe conclusionés.
PARAMETROS POBLACIONALES-_ Se-consjdera que se conoce una población cuando conocem
os la disbibución de probabilidad/(r) (función de probabilidad o función de densidad)
de la variable aleatoria asoóiada X. porfjemplo, en el Ejemplo 5.1 si X es una var
iable aleatoria cuyos valores son las estaturas (o pesos) delos 12 000 estudiant
es entonces X tiene una distribución de probabilidad f(r).
Si, por ejemplo, X está normalmente distribuida decimos que la población está normalme
ntedistribuida o que tenemos wa población normaL En forma semejante, si X está binom
ialmentedistribuida, decimos que la población estÁ binomialmente distribuida o que t
enemosunapoblaciónbínomial.
Existi¡án ciertas cantidades que aparecen en f(r), como p y o en el caso de la distr
ibuciónnormal o p en el caso de la distribución binomial. Otras cantidades tales com
o la mediana, momen-
tos, sesgo, etc., pueden determinarse en terminos de estos. Todas estas cantidad
es se conocen comopanímetros pobhcíonales. Cuando nos dan la población, de modo que co
nocemos /(r), entonces losparámetros poblacionales también son conocidos.
robabilidad f(r) de lamenos poder formularpodemos tener algunasabríamos uno o ambo
s de los valores rt y o yasí desearíamos estimarlos.
mente' En tal caso noESTADISTICOS MUESTRALESPodemos tomar muéstras aleatorias de l
a población y entonces emplearlas para obtener valoresque sirven para estimar los
parámetros poblacionales.
Como ejemplo ilustrativo, consideremos el Ejemplo 5.1 donde X es una variable al
eatoria cuyosvalores son las diferentes estaturas. Para obtener una muestra de t
amaño 100 debemos primLroescoger un individuo aleatoriamente de la población. Este i
ndividuo puede tener cualquier valor, porejemplo rr, de las diferentes estaturas
posibles y llama¡nos r, el válor de la variablé aleatoriaX,,
donde el subíndice 1 se emplea ya que corresponde al primer individuo seleccionado
. De la misma156TEORIA DE MUESTREOlcAP. 5Una población finita muestreada con rempl
azamiento puede teóricamente considerarse infinitaya qqe pueden extraerse mueshas
de cualquier tamaño sin agotar la población. Para la mayoría depropósitos prácticos el mue
streo de una población finita que er *úy grande puede
"otrrideturr"como muestreo de una población infinita.
MUESTRAS ALEATORIAS. NUMEROS ALEAT'IORIOSLógicamente, la confiabilidad de las conc
lusiones extraídas concemientes a una población de-
penden de si la mqestra .se ha escogido de tal modo que represente la población lo
suficientemente bien; unó de los proble de la i4ferencla estádística es "3-o "."og",un
a muestra.
Una forma de hacer esto para poblaciones finit¿s es asegurarse de que cada miembro
de lapoblación tenga igual oportunidad de encontrarse en la mueslra, lo cual J" c
o.o"e comó muestraales,toria-El muestreo aleatorio puede efectuarse para poblacion
es relativamente pequeñas extrayen-
do lotes o, en forma equivalente, utilizando una tablá de númerosaleatorios 1epénaice
I)especial-
mente construida para tales propósitos. Véase Problema 5.48.
_ Debido a que la inferencia de la muestra a la población no puede ser cierta debe
mos emplear ellenguaje de probabilidad en cualquier proposición áe conclusionés.
PARAMETROS POBLACIONALES-_ Se-consjdera que se conoce una población cuando conocem
os la disbibución de probabilidad/(r) (función de probabilidad o función de densidad)
de la variable aleatoria asoóiada X. porfjemplo, en el Ejemplo 5.1 si X es una var
iable aleatoria cuyos valores son las estaturas (o pesos) delos 12 000 estudiant
es entonces X tiene una distribución de probabilidad f(r).
Si, por ejemplo, X está normalmente distribuida decimos que la población está normalme
ntedistribuida o que tenemos wa población normaL En forma semejante, si X está binom
ialmentedistribuida, decimos que la población estÁ binomialmente distribuida o que t
enemosunapoblaciónbínomial.
Existi¡án ciertas cantidades que aparecen en f(r), como p y o en el caso de la distr
ibuciónnormal o p en el caso de la distribución binomial. Otras cantidades tales com
o la mediana, momen-
tos, sesgo, etc., pueden determinarse en terminos de estos. Todas estas cantidad
es se conocen comopanímetros pobhcíonales. Cuando nos dan la población, de modo que co
nocemos /(r), entonces losparámetros poblacionales también son conocidos.
robabilidad f(r) de lamenos poder formularpodemos tener algunasabríamos uno o ambo
s de los valores rt y o yasí desearíamos estimarlos.
mente' En tal caso noESTADISTICOS MUESTRALESPodemos tomar muéstras aleatorias de l
a población y entonces emplearlas para obtener valoresque sirven para estimar los
parámetros poblacionales.
Como ejemplo ilustrativo, consideremos el Ejemplo 5.1 donde X es una variable al
eatoria cuyosvalores son las diferentes estaturas. Para obtener una muestra de t
amaño 100 debemos primLroescoger un individuo aleatoriamente de la población. Este i
ndividuo puede tener cualquier valor, porejemplo rr, de las diferentes estaturas
posibles y llama¡nos r, el válor de la variablé aleatoriaX,,
donde el subíndice 1 se emplea ya que corresponde al primer individuo seleccionado
. De la misma
t74TEORIA DE MUESTREO[cAP.66.19. Solucionar el problema anterior para el caso en
que el muestreo sea sin remplazamiento.
(o) Hay 10 mueetrae cuyas varianza¡ vienen dadas por los nfrmeros pot encima (o po
r debajo) de la diagonatde cerog de la tabla del Problema 5.1g(a). Entoncesu.' =
6'25+16'00+1'00+6:25+2'26l0 = o.7óEste es un ca.o particular del gener ' / N \ /"
-t\
'ar p.r = \ñ=/\T)" [ecuación (re), página 160], como secomprueba haciendo N: 5, n: 2 y
o2 : 10.8 el segundo miembro pasa a ser rs, : (f )({)(10.8) : 6.75.
(Ó) Rertando 6.75 de cada uno de los 10 números por encima de la diagonal de ceros d
e la tabla delProblema 6.18(o), elevando al cuadrado estos nfrmeros, sumándolor y ái
"idiéttdolos por 10, se tieneo!: =39.676 ó o"r =6.30.5.20. Demostrar queE'(S') = |cd
on{e S2 es la varianza mu stral _para una muestra aleatoria de tamaño n, como se def
ine enla página 160, y a2 es la varianza de la población.
Método 1.
Teneno¡
x,-* = x,-itxr+...+xtr) = *t"-l)xr-x2-...-x^l: *f"-r)(Xr -tl -(Xz-ti -.. . -(xn-
p\)
Entonce¡
(x,-f,¡r = #U"-1)2(Xr-ú2t(xz-pl2+ '..+ (x. -tl2 +témino¡deproductocruzado]
Pue¡to que las X eon independiente¡ la eqreranza de cada término de producto cruzado e
s ceror por tanto setieneE[(Xr-*¡21 = #U"-L)2 El(Xt-t)r) + El(Xz-d2) + ... + El(X,
-p)2]]
I= fr{("-L)znz * o2 * ... I o2l= fiu"-l)-zoz* (n-L)oz) = #",
Análogamente, El(X*-*¡21 = @ -lloz/n para k : 2, . .., z. por tanto1-
¿'(S2) = ;nt<Xr-X)2 + . .' + (X"-X\21lfn-l ", ¿-1 "l n-L ^-nL "
o-r"'-
"
o-) =
-o'Método z.
Tenemos X¡-* = (X¡-ü-G-¡). Entoncesg,-X¡z = (xt-p)2 -2(x¡-p\(* -r) + {i -,,¡zv(r) )1x,-i¡,
p)2 -z(X-p))1x¡-r) +.)1x-u¡zdonde lá su¡na es desCe j : t hasta n. [.o que puede escribi
r¡e comot74TEORIA DE MUESTREO[cAP.66.19. Solucionar el problema anterior para el c
aso en que el muestreo sea sin remplazamiento.
(o) Hay 10 mueetrae cuyas varianza¡ vienen dadas por los nfrmeros pot encima (o po
r debajo) de la diagonatde cerog de la tabla del Problema 5.1g(a). Entoncesu.' =
6'25+16'00+1'00+6:25+2'26l0 = o.7óEste es un ca.o particular del gener ' / N \ /"
-t\
'ar p.r = \ñ=/\T)" [ecuación (re), página 160], como secomprueba haciendo N: 5, n: 2 y
o2 : 10.8 el segundo miembro pasa a ser rs, : (f )({)(10.8) : 6.75.
(Ó) Rertando 6.75 de cada uno de los 10 números por encima de la diagonal de ceros d
e la tabla delProblema 6.18(o), elevando al cuadrado estos nfrmeros, sumándolor y ái
"idiéttdolos por 10, se tieneo!: =39.676 ó o"r =6.30.5.20. Demostrar queE'(S') = |cd
on{e S2 es la varianza mu stral _para una muestra aleatoria de tamaño n, como se def
ine enla página 160, y a2 es la varianza de la población.
Método 1.
Teneno¡
x,-* = x,-itxr+...+xtr) = *t"-l)xr-x2-...-x^l: *f"-r)(Xr -tl -(Xz-ti -.. . -(xn-
p\)
Entonce¡
(x,-f,¡r = #U"-1)2(Xr-ú2t(xz-pl2+ '..+ (x. -tl2 +témino¡deproductocruzado]
Pue¡to que las X eon independiente¡ la eqreranza de cada término de producto cruzado e
s ceror por tanto setieneE[(Xr-*¡21 = #U"-L)2 El(Xt-t)r) + El(Xz-d2) + ... + El(X,
-p)2]]
I= fr{("-L)znz * o2 * ... I o2l= fiu"-l)-zoz* (n-L)oz) = #",
Análogamente, El(X*-*¡21 = @ -lloz/n para k : 2, . .., z. por tanto1-
¿'(S2) = ;nt<Xr-X)2 + . .' + (X"-X\21lfn-l ", ¿-1 "l n-L ^-nL "
o-r"'-
"
o-) =
-o'Método z.
Tenemos X¡-* = (X¡-ü-G-¡). Entoncesg,-X¡z = (xt-p)2 -2(x¡-p\(* -r) + {i -,,¡zv(r) )1x,-i¡,
p)2 -z(X-p))1x¡-r) +.)1x-u¡zdonde lá su¡na es desCe j : t hasta n. [.o que puede escribi
r¡e como
Apéndice DPercentilrr (tr)
de l¡
di¡tribsción f de Studentcon z grador de libertadFuente: R.A. Fistrer y F. Yate.s, S
totistícal T¿bles for Bíological, AgriculturalondMedí-
col Recearch, publicado por l.ongman Group Ltd., (previamente pubücado porOliver y
Boyd, Edinburgh), con permieo dé lo¡ autores y editorea.
vúss¿oot.zot.zsüeotsoúest.szstset.sgsI,
3466891011t213141516I71819202l2223242526oa2829304060t20
.158.t42.137.134.L32.131.130.130.t2s.r29.L29.r28.128.L28.L28.128.128.r27.L27.727
.L27.L27.L27.L27.L27.t27.L27.L27.t27.t27.t26.L26.126.L26.325.289.277.27L.267.266
.263.262.261.260.260.255.259.258.258.258.257.257.257.257.257.256.256.256.256.256
.256.256.256.266.255.254.254.263.727.61?
.584.569.669.563.649.546.643.542.540.539.538.537.536.535.534.534.633.533.532.532
.532.531.531.531.531.530.630.630.629.627.626.62
1.000.816.765.74L.727.?18.711.706.703.700.697.696.694.692.691.690.689.688.688.68
7.686.686.685.686.684.684.684.683.683.683.681.6?9.677.6741.3?61.061.978.941.920.
906.896.889.883.879.876.873.8?0.868.866.865.863.862.861.860.869.858.858.857.856.
856.856.856.854.864.861.848.846.8423.081.891.641.631.48t.441.421.401.381.371.361
.361.351.341.341.341.331.331.33I.32L.32t.32L.32L.32t.32L.321.311.311.311.311.301
.30L.29L.286.312.922.362.r32.021.941.901.861.831.811.801.?8r.771.76L.761.75L.741
.731.731.72t.721.721.711.?l1.71L.7L1.701.701.701.701.68L.671.661.645t2.7L4.303.1
82.782.672.452.562.3L2.262.232.202.182.t62.142.t32.t22.112.L02.092.092.082.072.0
72.062.062.062.052.062.042.042.022.001.981.9631.826.964.543.763.363.143.002.902.
822.762.722.682.662.622.60.582.572.662.642.532.622.5L2.502.492.482.482.472.472.4
62.462.422.392.362.3363.669.926.844.604.033.713.503.363.253.173.113.063.0
2.982.962.922.902.882.862.842.832.822.812.802.792.782.772.762.762.762.702.662.62
2.68Apéndice DPercentilrr (tr)
de l¡
di¡tribsción f de Studentcon z grador de libertadFuente: R.A. Fistrer y F. Yate.s, S
totistícal T¿bles for Bíological, AgriculturalondMedí-
col Recearch, publicado por l.ongman Group Ltd., (previamente pubücado porOliver y
Boyd, Edinburgh), con permieo dé lo¡ autores y editorea.
vúss¿oot.zot.zsüeotsoúest.szstset.sgsI,
3466891011t213141516I71819202l2223242526oa2829304060t20
.158.t42.137.134.L32.131.130.130.t2s.r29.L29.r28.128.L28.L28.128.128.r27.L27.727
.L27.L27.L27.L27.L27.t27.L27.L27.t27.t27.t26.L26.126.L26.325.289.277.27L.267.266
.263.262.261.260.260.255.259.258.258.258.257.257.257.257.257.256.256.256.256.256
.256.256.256.266.255.254.254.263.727.61?
.584.569.669.563.649.546.643.542.540.539.538.537.536.535.534.534.633.533.532.532
.532.531.531.531.531.530.630.630.629.627.626.62
1.000.816.765.74L.727.?18.711.706.703.700.697.696.694.692.691.690.689.688.688.68
7.686.686.685.686.684.684.684.683.683.683.681.6?9.677.6741.3?61.061.978.941.920.
906.896.889.883.879.876.873.8?0.868.866.865.863.862.861.860.869.858.858.857.856.
856.856.856.854.864.861.848.846.8423.081.891.641.631.48t.441.421.401.381.371.361
.361.351.341.341.341.331.331.33I.32L.32t.32L.32L.32t.32L.321.311.311.311.311.301
.30L.29L.286.312.922.362.r32.021.941.901.861.831.811.801.?8r.771.76L.761.75L.741
.731.731.72t.721.721.711.?l1.71L.7L1.701.701.701.701.68L.671.661.645t2.7L4.303.1
82.782.672.452.562.3L2.262.232.202.182.t62.142.t32.t22.112.L02.092.092.082.072.0
72.062.062.062.052.062.042.042.022.001.981.9631.826.964.543.763.363.143.002.902.
822.762.722.682.662.622.60.582.572.662.642.532.622.5L2.502.492.482.482.472.472.4
62.462.422.392.362.3363.669.926.844.604.033.713.503.363.253.173.113.063.0
2.982.962.922.902.882.862.842.832.822.812.802.792.782.772.762.762.762.702.662.62
2.68