UNIVERSIDAD PRIVADA DOMINGO SAVIO

“PROYECTO FINAL”
INTEGRANTES:

 Liza María Añez Algarañaz

 Santiago Quiroga
 Rocio Rodríguez

MATERIA:

 Estadística Inferencial

DOCENTE:

 Ing. Raquel Eugenia Herrera

Introducción
El cálculo del tamaño de la muestra en investigación científica es esencial para obtener
resultados representativos. Garantiza generalización a la población objetivo, considerando
factores como confianza, margen de error y variabilidad de datos.
Métodos como el muestreo aleatorio simple y estratificado se eligen según el estudio. Aunque
no es exacto, minimiza sesgos y errores potenciales, permitiendo decisiones informadas.
En síntesis, el cálculo del tamaño de la muestra es crucial para obtener resultados
estadísticamente significativos, contribuyendo a la validez y calidad de la investigación
científica.
Objetivos
Este proyecto tiene como objetivo demostrar sucesos a través de experimentos con la ayuda
de la estadística se pueden ver los resultados obtenido. La estadística inferencial es una rama
de la estadística que se enfoca en hacer conclusiones y generalizaciones sobre una población
a partir de la información obtenida de una muestra de la misma.
Marco Teórico
El cálculo del tamaño de la muestra es una parte fundamental de la investigación científica. Es
el proceso mediante el cual se determina el número de participantes o elementos que se
necesitan para realizar un estudio con la suficiente precisión y validez.

El objetivo principal del cálculo del tamaño de la muestra es garantizar que los resultados
obtenidos del estudio sean representativos de la población objetivo. Para lograr esto, es
necesario considerar varios factores, como el tamaño de la población, el nivel de confianza
deseado, el margen de error permitido y la variabilidad de los datos.

Existen diferentes métodos y fórmulas para calcular el tamaño de la muestra, y la elección del
método adecuado depende del tipo de estudio y los objetivos de investigación. Algunos de los
métodos comunes incluyen el muestreo aleatorio simple, el muestreo estratificado y el
muestreo por conglomerados.

En general, un cálculo del tamaño de muestra adecuado garantiza que los resultados del
estudio sean estadísticamente significativos y generalizables a la población objetivo. Esto es
crucial para tomar decisiones informadas y confiables basadas en los hallazgos de la
investigación.
Es importante destacar que el cálculo del tamaño de la muestra no es una ciencia exacta y
puede haber cierto grado de incertidumbre asociado. Sin embargo, seguir los principios y
métodos establecidos en la teoría del cálculo del tamaño de la muestra puede ayudar a
minimizar los sesgos y errores potenciales en la investigación.

En resumen, el cálculo del tamaño de la muestra es un proceso esencial en la investigación

científica que permite determinar el número adecuado de participantes o elementos para
obtener resultados representativos y confiables. Su correcta aplicación contribuye a la validez
y la calidad de los estudios científicos.

I. Área Estadística

1. INDIVIDUO

Cada uno de los elementos de la población. Muestra: Cualquier subconjunto de la

población. Este subconjunto es muy importante que sea representativo de la población.
Carácter: Cada una de las propiedades que poseen los individuos de la población y
que pueden ser objeto de estudio.

2. POBLACIÓN

Es el conjunto completo de todos los elementos (puntuaciones, personas, medidas,

etc.) que se va a estudiar. El conjunto es completo porque incluye a todos los sujetos
que se estudiarán.

3. POBLACION HOMOGENEA Y POBLACION OBJETIVO

Si los datos están más concentrados, es decir, para muestras homogéneas, tanto
menores serán el Rango, la Varianza y la Desviación estándar. Si todas las
observaciones son iguales (de manera que no haya variación en los datos), el Rango,
la Varianza y la Desviación estándar serán iguales a cero.
Se entiende como el conjunto total de elementos (individuos) de estudio o sobre los
cuales se desea extender los resultados obtenidos en la muestra. También es definido
como población objetivo

II. Investigar y dar definiciones precisas para:

4. MUESTREO

El muestreo es una técnica utilizada en la investigación para seleccionar una muestra

representativa de una población más grande. En lugar de estudiar o encuestar a todos
los individuos en una población, se selecciona un subconjunto de individuos que se
considera representativo de la población en general. Esta técnica se utiliza en una
variedad de disciplinas, incluyendo la estadística, la investigación de mercado y la
ciencia social.

5. MARCO MUESTRAL

Un marco muestral es una lista o base de datos que contiene información sobre la
población objetivo. Es utilizado como referencia para seleccionar la muestra. Por
ejemplo, si el objetivo es realizar una encuesta de opinión sobre los hábitos de
consumo de los jóvenes de una ciudad, el marco muestral podría ser una lista de todos
los jóvenes en esa ciudad.

6. OBJETIVO DEL PROCESO DEL MUESTREO

El objetivo del proceso de muestreo es obtener una muestra que sea representativa de
la población objetivo. Esto significa que los individuos seleccionados para formar parte
de la muestra deben tener características similares a las de la población en general. Al
obtener una muestra representativa, se pueden hacer inferencias y generalizaciones
sobre la población en su conjunto.

7. RAZONES PARA EL USO DEL MUESTREO

Existen varias razones por las cuales se utiliza el muestreo en lugar de estudiar a toda
la población. Algunas de estas razones son:

1. EFICIENCIA: El muestreo permite ahorrar tiempo y recursos al seleccionar solo una

muestra en lugar de estudiar a todos los individuos de una población.

2. FACTIBILIDAD: En algunos casos, estudiar a toda la población es impracticable o

imposible debido a restricciones de tiempo, presupuesto o logística. El muestreo
proporciona una solución factible al permitir el estudio de una muestra representativa.

3. PRECISIÓN: Cuando se realiza correctamente, el muestreo puede proporcionar

estimaciones precisas y confiables sobre la población en general. Esto es
especialmente útil cuando la población es grande y estudiar a todos sus miembros es
difícil o costoso.

8. REQUISITOS QUE DEBE CUMPLIR UNA MUESTRA

Una muestra debe cumplir ciertos requisitos para ser considerada representativa de la
población objetivo. Estos requisitos incluyen:

1. Tamaño adecuado: La muestra debe ser lo suficientemente grande como para

proporcionar estimaciones precisas de las características de la población en general. El
tamaño de la muestra depende de varios factores, como el nivel de precisión deseado y
la variabilidad de la población.
 2. Método de selección aleatoria: La muestra debe seleccionarse de manera
aleatoria para evitar sesgos y garantizar que todos los individuos de la población
tengan la misma oportunidad de ser seleccionados.

3. Representatividad: La muestra debe representar fielmente las características de la

población en general. Esto significa que los individuos seleccionados deben ser
similares a los que no fueron seleccionados en términos de características relevantes.

III. Cálculo del tamaño de la muestra

9. Definir Tamaño de la muestra

El tamaño de la muestra de una muestra estadística es el número de observaciones
representativas que la componen.
El tamaño de la muestra normalmente es representado por "n" y siempre es un número
entero positivo. No se puede hablar de ningún tamaño exacto de la muestra, ya que
puede variar dependiendo de los diferentes marcos de investigación. Sin embargo, si
todo lo demás es igual, una muestra de tamaño grande brinda mayor precisión en las
estimaciones de las diversas propiedades de la población.

10. Describir los siguientes factores que intervienen en el cálculo del tamaño de
una muestra:

- Margen de error
En términos estadísticos el margen de error se refiere a la cantidad de error de
muestreo aleatorio resultado de la elaboración de una encuesta. Es un término
importante dentro de la investigación de mercados ya que define el nivel de confianza
de los resultados obtenidos en la encuesta o investigación. A mayor margen de error
existe un menor grado de confianza en la investigación y viceversa.

- Nivel de confianza
El nivel de confianza, en estadística, es la probabilidad máxima con la que podríamos
asegurar que el parámetro a estimar se encuentra dentro de nuestro intervalo
estimado.

- Nivel de variabilidad
La variabilidad es una medida de la dispersión de los datos en una distribución, sea
ésta teórica o de una muestra.
En términos estadísticos el nivel de variabilidad es el margen de error se refiere a la
cantidad de error de muestreo aleatorio resultado de la elaboración de una encuesta.

- Índice de respuestas
El índice de respuesta a la encuesta se calcula dividiendo el número de personas que
han respondido a la encuesta por el número de personas a las que se ha invitado a
realizarla. Este resultado se multiplica por 100 para expresar el valor en porcentaje.
 11. Características del proceso y tipos de Muestreo
1. Métodos de muestreos probabilísticos y no probabilísticos

Métodos de Muestreo Probabilísticos:

-Muestreo Aleatorio Simple (MAS):

Todos los elementos de la población tienen la misma probabilidad de ser
seleccionados.

-Muestreo Estratificado:
Divide la población en estratos y luego selecciona aleatoriamente de cada estrato.
Garantiza que cada subgrupo esté representado.

-Muestreo por Conglomerados:

Divide la población en conglomerados (grupos) y luego selecciona aleatoriamente
algunos conglomerados. Se pueden estudiar todos los elementos dentro de los
conglomerados seleccionados.

-Muestreo Sistemático:
Selecciona cada k-ésimo elemento de la población después de seleccionar
aleatoriamente el primer elemento.

Métodos de Muestreo No Probabilísticos:

-Muestreo de Conveniencia:
Se eligen elementos de la población que están fácilmente disponibles o accesibles.

-Muestreo por Cuotas:

Selecciona a los participantes de manera no aleatoria, pero asegurando que la muestra
refleje ciertas características de la población, como género, edad o nivel educativo.

-Muestreo de Bola de Nieve:

Selecciona a los participantes iniciales y luego se les pide que refieran a otros
participantes.

-Muestreo Intencional o de Juicio:

El investigador elige a los participantes basándose en su juicio y conocimiento sobre la
población.

-Muestreo por Cuadrantes o Zonas:

Divide la población en zonas y selecciona participantes de áreas específicas.

-Muestreo por Voluntarios (o Autoselección):

 Las personas eligen participar en el estudio por sí mismas.

2. Uso de los métodos probabilísticos y no probabilísticos

-Limitaciones de Recursos:
Cuando los recursos (tiempo, presupuesto, personal) son limitados y se necesita
realizar el estudio de manera más rápida y económica.

-Exploración Preliminar:
En las etapas exploratorias de la investigación, donde se busca obtener información
preliminar antes de realizar un estudio más completo.

-Acceso a la Población:
Cuando la población es difícil de acceder o cuando no se tiene una lista completa de la
población.

-Estudios Exploratorios o Cualitativos:

En estudios exploratorios o cualitativos donde el énfasis está en comprender
fenómenos en profundidad más que en hacer inferencias estadísticas.

-Investigación Aplicada y Decisiones Prácticas:

En situaciones en las que la toma de decisiones prácticas no depende críticamente de
la representatividad estadística.

3. Ventajas y Desventajas del muestreo no probabilístico

Ventajas del muestreo no probabilístico

-Eficiencia en Costos y Tiempo:

Suelen ser más rápidos y económicos, ya que no requieren la elaboración de marcos
de muestreo completos ni la asignación de probabilidades de selección.

-Facilidad de Implementación:
Son más fáciles de implementar en situaciones donde no hay una lista completa de la
población o cuando acceder a la población completa es difícil.

-Flexibilidad:
Ofrecen mayor flexibilidad en la elección de participantes, lo que puede ser beneficioso
en investigaciones cualitativas o exploratorias.

-Adecuados para Estudios Exploratorios:

Son útiles en etapas exploratorias de la investigación, donde se busca obtener
información preliminar antes de realizar un estudio más completo.
 Desventajas del Muestreo No Probabilístico:

-Sesgo de Selección:
Puede introducir sesgos de selección, ya que algunos elementos de la población
pueden tener una mayor probabilidad de ser incluidos en la muestra que otros.

-Falta de Representatividad:
La muestra puede no ser representativa de la población general, lo que limita la
generalización de los resultados a la población completa.

-Dificultad para Medir la Precisión:

La falta de probabilidad de selección dificulta la medición precisa de la precisión
estadística y la determinación de intervalos de confianza.

-Limitaciones en Inferencias Estadísticas:

Dificulta la realización de inferencias estadísticas sólidas y la extensión de los
resultados a la población en general.

-Riesgo de Sesgo del Investigador:

Existe un mayor riesgo de que el sesgo del investigador influya en la selección de
participantes.

4. Aleatorio simple y dar un ejemplo

El muestreo aleatorio simple (MAS) es un método probabilístico en el que cada
elemento de la población tiene la misma probabilidad de ser seleccionado en la
muestra. Es como si se extrajera al azar de una "urna" que contiene todos los
elementos de la población.
Ejemplo de Muestreo Aleatorio Simple:
Población: Supongamos que queremos estudiar la altura de los estudiantes de una
universidad específica.
Identificación de la Población: La población serían todos los estudiantes matriculados
en la universidad.
Creación de una Lista de Elementos: Se crea una lista que incluye a todos los
estudiantes de la universidad.
Asignación de Números a los Elementos: A cada estudiante se le asigna un número
único.
Selección Aleatoria de Muestra: Se elige aleatoriamente un número (o una serie de
números) y se seleccionan los estudiantes correspondientes.
Por ejemplo, si hay 1,000 estudiantes en total y asignamos a cada estudiante un
número del 1 al 1,000, podríamos usar un generador de números aleatorios para
seleccionar al azar, digamos, 50 números. Los estudiantes asociados con esos 50
números formarían nuestra muestra.
Esta metodología garantiza que cada estudiante en la universidad tiene la misma
probabilidad de ser seleccionado, lo que permite hacer inferencias más confiables
sobre la altura de todos los estudiantes en la universidad basándonos en la muestra
recopilada.
5. Sistemático y dar un ejemplo
El muestreo sistemático es un método de selección de muestras que implica
seleccionar elementos de una población a intervalos regulares después de haber
elegido aleatoriamente el primer elemento. Este método se utiliza cuando se quiere
lograr una muestra representativa de la población de manera eficiente. A continuación,
se presenta un ejemplo para ilustrar el proceso del muestreo sistemático:

Ejemplo de Muestreo Sistemático:

Población: Supongamos que queremos estudiar el rendimiento académico de los
estudiantes de una escuela secundaria.

Identificación de la Población: La población serían todos los estudiantes matriculados

en la escuela secundaria.

Determinación del Tamaño de la Muestra: Supongamos que queremos seleccionar una

muestra de 100 estudiantes.

Cálculo del Intervalo de Muestreo: Calculamos el intervalo de muestreo dividiendo el

tamaño de la población entre el tamaño de la muestra y redondeando al entero más
cercano. Si hay 500 estudiantes y queremos una muestra de 100, el intervalo de
muestreo sería 500 / 100 = 5.

Selección Aleatoria del Primer Elemento: Elegimos aleatoriamente un número entre 1 y

5 (el intervalo de muestreo). Supongamos que elegimos el número 3.

Selección Sistemática de Muestra: Seleccionamos a cada estudiante que ocupa el

tercer lugar en la lista de estudiantes y luego a todos los estudiantes que están
separados por un intervalo de 5 en la lista.

Por ejemplo, si el estudiante en la posición 3 es seleccionado aleatoriamente, entonces

seleccionaríamos también al estudiante en la posición 8, 13, 18, y así sucesivamente,
hasta alcanzar la muestra deseada de 100 estudiantes.

6. Estratificado y dar un ejemplo

El muestreo estratificado es un método de selección de muestras que divide la
población en subgrupos o estratos y luego realiza un muestreo aleatorio simple dentro
de cada estrato. Este método se utiliza cuando la población se puede dividir en grupos
homogéneos en términos de la característica de interés. A continuación, se presenta un
ejemplo para ilustrar el proceso del muestreo estratificado:

Ejemplo de Muestreo Estratificado:

Población: Supongamos que queremos estudiar el rendimiento académico de los
estudiantes en una universidad, y sabemos que la universidad tiene tres facultades
principales: Ciencias, Ingeniería y Humanidades.
 Identificación de Estratos: Definimos los estratos basándonos en la facultad a la que
pertenecen los estudiantes. Los estratos serían Ciencias, Ingeniería y Humanidades.

Determinación del Tamaño de la Muestra en Cada Estrato: Supongamos que queremos

asegurarnos de tener una representación proporcional de cada facultad en la muestra
final. Por lo tanto, asignamos un tamaño de muestra proporcional al tamaño de cada
estrato.

Muestreo Aleatorio Simple Dentro de Cada Estrato: Realizamos un muestreo aleatorio

simple dentro de cada estrato. Por ejemplo:

En el estrato de Ciencias, seleccionamos aleatoriamente un porcentaje de estudiantes

de Ciencias.
En el estrato de Ingeniería, realizamos lo mismo para estudiantes de Ingeniería.
En el estrato de Humanidades, seleccionamos aleatoriamente un porcentaje de
estudiantes de Humanidades.
Construcción de la Muestra Final: La muestra final se compone de los estudiantes
seleccionados de cada estrato.

Este método asegura que cada estrato esté representado en la muestra, lo que es útil
cuando los estratos tienen características particulares que pueden influir en el resultado
del estudio. Por ejemplo, al dividir por facultades, podríamos obtener una
representación equitativa de estudiantes de diferentes áreas de estudio.

7. Por conglomerados y dar un ejemplo

El muestreo por conglomerados es un método de selección de muestras en el que la
población se divide en grupos más grandes llamados conglomerados, y luego se
seleccionan algunos conglomerados al azar para su inclusión en la muestra. A
diferencia del muestreo estratificado, donde se dividen los elementos individuales en
subgrupos, en el muestreo por conglomerados, se seleccionan grupos enteros. A
continuación, se presenta un ejemplo para ilustrar este método:

Ejemplo de Muestreo por Conglomerados:

Población: Supongamos que queremos estudiar el rendimiento académico de escuelas
en un distrito escolar.

Identificación de Conglomerados: Los conglomerados serían las escuelas en el distrito.

Por ejemplo, si hay 20 escuelas en el distrito, cada escuela sería un conglomerado.

Selección Aleatoria de Conglomerados: Se elige aleatoriamente un número limitado de

escuelas (conglomerados) para incluir en la muestra. Por ejemplo, podríamos
seleccionar al azar 5 de las 20 escuelas en el distrito.

Inclusión de Todos los Elementos del Conglomerado Seleccionado: Una vez que se
seleccionan los conglomerados, se incluyen todos los estudiantes de esas escuelas en
la muestra.
 Este método es útil cuando los elementos en la población naturalmente se agrupan en
conglomerados y es más práctico seleccionar y estudiar esos conglomerados en lugar
de elementos individuales. En el ejemplo dado, podríamos estudiar un número limitado
de escuelas en lugar de tratar de incluir a todos los estudiantes de todas las escuelas
del distrito.

8. Polietapico
El muestreo polietápico, también conocido como muestreo multietápico, es un método
de selección de muestras que implica varios niveles o etapas de muestreo. En lugar de
seleccionar directamente elementos individuales de la población, se lleva a cabo un
proceso en varias etapas, dividiendo la población en unidades más pequeñas en cada
paso. Este enfoque se utiliza cuando no es factible o práctico enumerar y muestrear
directamente a todos los elementos de la población. A continuación, se proporciona un
ejemplo para ilustrar el muestreo polietápico:

Ejemplo de Muestreo Polietápico:

Población: Supongamos que queremos estudiar la salud bucal de los estudiantes
universitarios en un país entero.

Primera Etapa - Selección de Clusters o Áreas Grandes:

En esta etapa, dividimos el país en regiones geográficas o clusters (por ejemplo,

provincias o estados). Seleccionamos aleatoriamente un número limitado de estas
regiones.
Segunda Etapa - Selección de Subgrupos dentro de los Clusters Seleccionados:

En cada región seleccionada, dividimos aún más en subgrupos más pequeños, como
ciudades o distritos. Seleccionamos aleatoriamente algunos de estos subgrupos.
Tercera Etapa - Selección de Individuos dentro de los Subgrupos Seleccionados:

Finalmente, dentro de cada subgrupo seleccionado, seleccionamos aleatoriamente a

estudiantes universitarios para formar la muestra final.
Este enfoque polietápico permite reducir la complejidad y los costos al seleccionar
unidades más grandes en las primeras etapas y luego reducir gradualmente la muestra
en pasos sucesivos. Al seleccionar aleatoriamente a nivel de clusters y subgrupos, se
busca mantener la representatividad de la población.

9. Por cuotas, indicar cuándo utilizar este método

El muestreo por cuotas es un método no probabilístico en el que se selecciona la
muestra de manera que ciertas características de interés estén representadas en
proporciones predeterminadas, conocidas como cuotas. Este método se utiliza cuando
no es posible realizar un muestreo aleatorio y se desea garantizar que la muestra
refleje ciertas características demográficas o de interés de la población.
Aquí se indican situaciones en las que podría ser apropiado utilizar el muestreo por
cuotas:
 Falta de un Marco de Muestreo:
Cuando no se dispone de un marco de muestreo completo o actualizado que incluya a
toda la población, el muestreo por cuotas puede ser una alternativa práctica.

Limitaciones de Tiempo y Recursos:

En situaciones en las que el tiempo y los recursos son limitados y no es factible realizar
un muestreo probabilístico más complejo.

Requerimientos Específicos de la Muestra:

Cuando se requiere que la muestra refleje ciertas características específicas, como
edad, género, nivel educativo, u otras variables demográficas, y se desea controlar
estas proporciones en la muestra.

Estudios de Opinión Pública y Mercado:

En estudios de opinión pública y de mercado, donde es común seleccionar cuotas para
asegurar que la muestra sea representativa de subgrupos clave en la población.

Muestreo en Estudios Exploratorios:

En estudios exploratorios donde se busca obtener información preliminar y no se
requiere una representación estadística precisa de la población.

Estudios Cualitativos:
En investigaciones cualitativas donde la representatividad estadística puede no ser una
prioridad, pero se desea capturar una variedad de experiencias o perspectivas.

10. De conveniencia
El muestreo de conveniencia es un método no probabilístico en el que los elementos se
seleccionan en base a su disponibilidad y conveniencia para el investigador. Este tipo
de muestreo se utiliza cuando la población no puede ser fácilmente definida o no es
accesible de manera práctica. Aunque es fácil de implementar, el muestreo de
conveniencia tiene limitaciones en términos de representatividad y generalización a la
población completa. Aquí tienes un ejemplo para ilustrar el muestreo de conveniencia:

Ejemplo de Muestreo de Conveniencia:

Población: Supongamos que estás interesado en investigar el uso de teléfonos móviles
entre los estudiantes universitarios de una ciudad en particular.

Selección de la Muestra: En lugar de utilizar un método más riguroso como el muestreo

aleatorio simple, decides seleccionar a los estudiantes que están fácilmente disponibles
en el campus universitario.
 Criterios de Selección: Puedes seleccionar a los estudiantes que encuentres en la
cafetería, la biblioteca o cualquier otro lugar de fácil acceso. Es posible que también te
inclines a seleccionar a aquellos que voluntariamente se ofrecen a participar.

Resultados: Obtienes respuestas de los estudiantes que se encuentran disponibles en

esos lugares específicos en ese momento. Sin embargo, la muestra puede no
representar adecuadamente la diversidad de la población de estudiantes universitarios,
ya que estás excluyendo a aquellos que no están presentes en el campus en ese
momento o que no frecuentan esos lugares específicos.

Limitaciones:
La muestra puede sesgar los resultados hacia los estudiantes que están disponibles
fácilmente.
No es representativa de la población completa de estudiantes universitarios, ya que
algunos segmentos pueden no estar presentes en la muestra.

11. Intencionado
El muestreo intencionado, también conocido como muestreo por juicio o muestreo de
propósito, es un método no probabilístico en el que los elementos se seleccionan
intencionalmente según la experiencia y el juicio del investigador. Este enfoque se
utiliza cuando el investigador elige específicamente ciertos elementos que considera
relevantes para el estudio. Aquí tienes un ejemplo para ilustrar el muestreo
intencionado:

Ejemplo de Muestreo Intencionado:

Población: Supongamos que estás llevando a cabo una investigación sobre la
efectividad de un nuevo programa de tutoría para estudiantes con dificultades
académicas en una escuela primaria.

Selección de la Muestra: En lugar de utilizar un método más aleatorio, decides

seleccionar intencionalmente a un grupo específico de estudiantes que, según tu juicio,
se beneficiarán más del programa de tutoría.

Criterios de Selección: Podrías seleccionar a estudiantes que han mostrado un bajo

rendimiento académico, que han sido identificados por maestros como necesitados de
apoyo adicional, o que han expresado personalmente su deseo de participar en el
programa.

Resultados: La muestra seleccionada es específica y orientada a aquellos que se

espera que se beneficien más del programa de tutoría. Puedes obtener información
detallada sobre cómo este grupo particular de estudiantes experimenta y se beneficia
del programa.

Limitaciones:
La muestra puede estar sesgada hacia ciertos tipos de participantes.
 La generalización de los resultados puede ser limitada debido a la falta de aleatoriedad
en la selección.

12. Prueba de Hipótesis

12. Hipótesis estadística

Una hipótesis estadística es una afirmación o suposición que se hace sobre un
parámetro de una población con el propósito de ser evaluada mediante evidencia
empírica a partir de datos. En general, las hipótesis estadísticas se dividen en dos
tipos: hipótesis nula (H0) y hipótesis alternativa (H1 o Ha).

Hipótesis Nula (H0):

Es una afirmación que establece que no hay efecto o diferencia. Es la hipótesis que se
prueba inicialmente y que se asume como verdadera a menos que haya evidencia
suficiente para rechazarla.

Ejemplo: H 0 : μ=50 , donde μ representa la media de una población y la hipótesis nula

sostiene que la media es igual a 50.

Hipótesis Alternativa (H1 o Ha):

Es una afirmación que contradice la hipótesis nula y sugiere que hay un efecto o
diferencia significativa.

Ejemplo: H 1 : μ ≠ 50, donde μ representa la media de una población y la hipótesis

alternativa sostiene que la media no es igual a 50.

Cuando se realiza un análisis estadístico, se recopila evidencia a partir de los datos

para determinar si se puede rechazar la hipótesis nula en favor de la hipótesis
alternativa. Esto se hace mediante pruebas de hipótesis y cálculos de valores p. El
valor p es la probabilidad de obtener resultados tan extremos como los observados,
bajo la suposición de que la hipótesis nula es verdadera. Si el valor p es
suficientemente bajo (por lo general, por debajo de un umbral predefinido, como 0.05),
se rechaza la hipótesis nula.

Ejemplo de interpretación de un resultado:

Si el valor p es menor que el nivel de significancia (por ejemplo, 0.05), se rechaza H 0

Si el valor p es mayor que el nivel de significancia, no hay suficiente evidencia para
rechazar H 0

Las hipótesis estadísticas son fundamentales en la inferencia estadística y son

esenciales para realizar pruebas y obtener conclusiones basadas en datos.

13. Prueba de hipótesis

 Una prueba de hipótesis es un procedimiento estadístico que se utiliza para tomar
decisiones sobre afirmaciones hechas acerca de parámetros poblacionales. Está
diseñada para evaluar la evidencia en contra de una hipótesis nula (H 0 ) en favor de
una hipótesis alternativa (H 1 o H α ) . Aquí hay un resumen del proceso de prueba de
hipótesis:
-Formulación de hipótesis:
H 0: Hipótesis nula. Es la afirmación inicial que asume que no hay efecto o diferencia.
H 1 o H α : Hipótesis alternativa. Es la afirmación que sugiere que hay un efecto o
diferencia significativa.

-Determinación del nivel de significancia (α ):

Es el nivel de probabilidad aceptable de cometer un error de tipo I (rechazar
incorrectamente H 0 cuando es verdadera). Un valor común es 0.05.

-Recopilación y Análisis de Datos:

Se recopilan datos y se realiza el análisis estadístico correspondiente.

-Cálculo del Estadístico de Prueba:

Se calcula un estadístico de prueba, que es una medida que se compara con una
distribución de probabilidad conocida bajo la suposición de que H 0 es verdadera.
-Cálculo del valor p:
Se calcula el valor p, que es la probabilidad de obtener resultados tan extremos como
los observados, bajo la hipótesis nula.
-Toma de decisiones:
Si el valor p es menor que α , se rechaza H 0 en favor de H 1
Si el valor p es mayor que α , no hay suficiente evidencia para rechazar H 0

-Interpretación de Resultados:
Se interpreta la prueba en términos del contexto del problema y se llega a conclusiones
basadas en la evidencia proporcionada por los datos.

Es importante destacar que no se puede demostrar que H 0 sea verdadera; solo se

puede encontrar evidencia para rechazarla. Además, no rechazar H 0 no prueba que H 0
sea cierta; simplemente indica que no hay suficiente evidencia para rechazarla en ese
momento.

Las pruebas de hipótesis son esenciales para la toma de decisiones basada en datos y
se utilizan en una variedad de disciplinas, desde la investigación científica hasta la
toma de decisiones empresariales.

14. Propósito de realizar una prueba de hipótesis

El propósito de realizar una prueba de hipótesis es tomar decisiones basadas en
evidencia estadística acerca de afirmaciones o suposiciones hechas sobre parámetros
poblacionales. Algunos de los objetivos específicos de realizar una prueba de hipótesis
incluyen:
 -Tomar Decisiones Fundamentadas:
Las pruebas de hipótesis proporcionan un marco sistemático para tomar decisiones
sobre afirmaciones específicas relacionadas con parámetros de una población. Ayudan
a los investigadores y analistas a evaluar la validez de las afirmaciones basándose en
datos empíricos.

-Evaluar la Evidencia Empírica:

Permiten evaluar la evidencia empírica en términos de la probabilidad de obtener los
resultados observados (o resultados más extremos) bajo la suposición de que la
hipótesis nula es verdadera. Esto ayuda a los investigadores a determinar si los datos
proporcionan suficiente evidencia para rechazar la hipótesis nula.

-Establecer Conclusiones Científicas o Prácticas:

Las pruebas de hipótesis son fundamentales en la investigación científica, permitiendo
a los científicos sacar conclusiones acerca de las teorías o hipótesis planteadas.
También son utilizadas en entornos empresariales para tomar decisiones informadas
sobre estrategias, marketing, operaciones, etc.

-Controlar el Riesgo de Error:

Permiten controlar el riesgo de cometer errores estadísticos. Los errores estadísticos
incluyen el error de tipo I (rechazar incorrectamente una hipótesis nula verdadera) y el
error de tipo II (no rechazar incorrectamente una hipótesis nula falsa). El nivel de
significancia (α ) se selecciona para controlar el riesgo de error de tipo I.

-Evaluar Efectos y Diferencias Significativas:

Ayudan a determinar si un efecto o diferencia observado en los datos es
estadísticamente significativo o si podría deberse al azar. Esto es crucial para entender
la relevancia práctica de los resultados.

-Contribuir a la Toma de Decisiones:

Proporcionan información crítica que contribuye a la toma de decisiones informada. Por
ejemplo, en medicina, una prueba de hipótesis puede ayudar a determinar si un nuevo
tratamiento es efectivo.

-Establecer la Base para Futuras Investigaciones:

Las conclusiones obtenidas a través de pruebas de hipótesis pueden formar la base
para futuras investigaciones y estudios más detallados.

15. Construcción de una prueba de hipótesis

-Especificar las hipótesis.
En primer lugar, el gerente formula las hipótesis. La hipótesis nula es: la media de la
población de todos los tubos es igual a 5 cm. Formalmente, esto se escribe como: H0: μ
=5
 Luego, el gerente elige entre las siguientes hipótesis alternativas:

Condición que se probará Hipótesis alternativa

La media de la población es menor que el unilateral: μ < 5

objetivo.

La media de la población es mayor que el objetivo. unilateral: μ > 5

La media de la población es diferente del objetivo. bilateral: μ ≠ 5

-Como tiene que asegurarse de que los tubos no sean más grandes ni más pequeños
de 5 cm, el gerente elige la hipótesis alternativa bilateral, que indica que la media de la
población de todos los tubos no es igual a 5 cm. Formalmente, esto se escribe como
H1: μ ≠ 5

-Elegir un nivel de significancia (también denominado alfa o α): El gerente selecciona

un nivel de significancia de 0.05, que es el nivel de significancia más utilizado.

-Determinar la potencia y el tamaño de la muestra para la prueba: El gerente utiliza un

cálculo de potencia y tamaño de la muestra para determinar cuántos tubos tiene que
medir para tener una buena probabilidad de detectar una diferencia de 0.1 cm o más
con respecto al diámetro objetivo.

-Recolectar los datos: Recoge una muestra de tubos y mide los diámetros.

-Comparar el valor p de la prueba con el nivel de significancia: Después de realizar la

prueba de hipótesis, el gerente obtiene un valor p de 0.004. El valor p es menor que el
nivel de significancia de 0.05.

-Decidir si rechazar o no rechazar la hipótesis nula: El gerente rechaza la hipótesis nula

y concluye que el diámetro medio de todos los tubos no es igual a 5 cm.

16. Clases de hipótesis estadísticas utilizadas para realizar un estudio

 Las hipótesis estadísticas representan en términos estadísticos y matemáticos lo que
son las hipótesis de investigación, nulas y alternativas. Se pueden clasificar en:
hipótesis estadísticas de estimación, de correlación y de diferencia entre grupos.

-De estimación

Son las hipótesis estadísticas que traducen las hipótesis descriptivas que pronostica un
dato.

-De correlación

La hipótesis estadística de correlación tiene por objetivo traducir en términos

estadísticos una correlación entre dos o más variables. El símbolo de una correlación
entre dos variables es "r" (minúscula) y entre más de dos variables "R" (mayúscula).

-De diferencias de medias

Esta hipótesis compara una estadística entre dos o más grupos.

17. Relación entre zona de aceptación, zona de rechazo y punto crítico. Realizar los
gráficos posibles
En una prueba de hipótesis, la zona de aceptación, la zona de rechazo y el punto
crítico están relacionados con la toma de decisiones basada en la evidencia recopilada.
Estos conceptos están vinculados a la distribución de probabilidad de la estadística de
prueba utilizada en la prueba de hipótesis.

-Zona de Aceptación:
Es el área de la distribución de probabilidad donde no se rechaza la hipótesis nula.

-Zona de Rechazo:
Es el área de la distribución de probabilidad donde se rechaza la hipótesis nula a favor
de la hipótesis alternativa.
 -Punto Crítico:
Es el valor (o valores) de la estadística de prueba que marca el límite entre la zona de
aceptación y la zona de rechazo.

Relación:
La zona de aceptación se encuentra en la región de la distribución de probabilidad
donde los valores de la estadística de prueba son consistentes con la hipótesis nula. Es
decir, es poco probable obtener esos valores si la hipótesis nula es falsa.

La zona de rechazo se encuentra en la región de la distribución de probabilidad donde

los valores de la estadística de prueba son inusuales bajo la hipótesis nula. Es decir, es
poco probable obtener esos valores si la hipótesis nula es verdadera.

El punto crítico marca el límite entre la zona de aceptación y la zona de rechazo. Si la

estadística de prueba calculada cae en la zona de rechazo (más allá del punto crítico),
se rechaza la hipótesis nula.

La elección del punto crítico y, por lo tanto, la ubicación de la zona de rechazo, está
relacionada con el nivel de significancia (α ), que representa la probabilidad de cometer
un error de tipo I (rechazar incorrectamente la hipótesis nula).

Estos conceptos y relaciones son fundamentales para comprender la lógica detrás de

las pruebas de hipótesis y cómo se toman decisiones basadas en la evidencia
proporcionada por los datos recopilados en un estudio.

18. Errores que se pueden cometer en el análisis de una prueba de hipótesis. Definir
cada uno de ellos
-Error Tipo 1
 Se define como el rechazo de la hipótesis nula Ho cuando realmente es verdadera.

En otras palabras, consiste en NO ACEPTAR la Hipótesis Nula cuando debimos

haberla aceptado.

También es conocido como el Nivel de Significancia y se determina con la letra griega

Alfa: α

-Error Tipo 2
Se define como la aceptación de la Hipótesis Nula Ho cuando realmente es falsa.
En otras palabras, aceptamos la Hipótesis Nula cuando debimos haberla rechazado.
Se simboliza con la letra griega Beta: β
La información recopilada sólo nos proporciona evidencia suficiente para aceptar o
rechazar una hipótesis en base a la información que proporciona una muestra, pero
siempre existe una probabilidad de error.

19. Pasos necesarios para realizar una prueba de hipótesis

El proceso de prueba de hipótesis sigue un procedimiento simple de cuatro pasos.
Paso 1: Exponer las Hipótesis
Tus hipótesis son lo primero que debes exponer. De lo contrario, ¡no hay nada que
probar! Hay que exponer la hipótesis nula (que es lo que probamos) y la hipótesis
alternativa (que es lo que esperamos). Estos deben ser declarados matemáticamente
tal y como fueron presentados anteriormente Y en palabras, explicando en inglés
normal lo que cada uno quiere decir en términos de la pregunta de investigación.

Paso 2: Encuentra los Valores Críticos

A continuación, establecemos formalmente los criterios que usaremos para probar
nuestras hipótesis. Hay dos piezas de información que informan nuestros valores
críticos: α, que determina qué parte del área bajo la curva compone nuestra región de
rechazo, y la direccionalidad de la prueba, que determina dónde estará la región.

Paso 3: Calcular el estadístico de prueba

Una vez que tenemos nuestras hipótesis y los estándares que utilizamos para
probarlas, podemos recopilar datos y calcular nuestro estadístico de prueba, en este
caso z
. Este paso es donde surgirán la gran mayoría de las diferencias en futuros capítulos:
diferentes pruebas utilizadas para diferentes datos se calculan de diferentes maneras,
pero la forma en que las usamos e interpretamos sigue siendo la misma.

Paso 4: Tomar la Decisión Finalmente, una vez que tengamos nuestro estadístico de
prueba obtenido, podemos compararlo con nuestro valor crítico y decidir si debemos
rechazar o no rechazar la hipótesis nula. Cuando hacemos esto, debemos interpretar la
decisión en relación con nuestra pregunta de investigación, indicando qué concluimos,
en qué basamos nuestra conclusión y las estadísticas específicas que obtuvimos.
2. Elaborar un cuadro

Variables Cualitativas Variables Cuantitativas

2 2 2
NZ p (1− p) NZ σ
Formula: n= 2 2 Fórmula : n= 2 2 2
e ( N−1 ) + Z pq e ( N−1 ) + Z σ
Donde: Donde:
-n: Tamaño de muestra necesario - n: Tamaño de muestra
POBLACION -z: Valor crítico de la distribución necesario
FINITA normal estándar - Z: Valor crítico de la distribución
Normal Estándar Normal Estándar
-p: proporción estimada de la - σ: Desviación estándar de la
variable en proporción variable en la población
-q: complemento de la proporción -E: Margen de error deseado
estimada (q = 1 – p) -N: Tamaño de la población
-E: Margen de error deseado
-N: Tamaño de la población

Variables Cualitativas Variable Cuantitativa

2 2 2
Z p(1− p) Z σ
Fórmula :n= Formula: n= 2
e2 e
Donde: Donde:
POBLACION - n: Tamaño de muestra - n: Tamaño de muestra necesario
INFINITA necesario - Z: Valor crítico de la distribución
- Z: Valor crítico de la distribución
Normal Estándar Normal Estándar
- p: Proporción estimada de la - σ: Desviación estándar de la
variable en la población variable en la población
q: Complemento de la proporción - E: Margen de error deseado
estimada (q = 1 - p)
E: Margen de error deseado
Ejemplos donde se aplica cada una de las fórmulas para el cálculo del tamaño de la
muestra

EJEMPLO 1

Se requiere realizar una investigación de satisfacción de los usuarios conforme al servicio de

la empresa de internet de la ciudad de santa cruz, para la cual se inventó un muestreo por
conveniencia, el investigador considera un nivel de confianza de 95% y un error máximo
permitido de 5%. Determine a cuantas personas se debe realizar la encuesta.

Identificar:
 Experimento: La investigación la satisfacción que tiene los usuarios conforme al
ocupar los servicio de la empresa de internet.
 Variable aleatoria: La cantidad de personas satisfechas con el uso de internet.
 Tipo de Población: Infinita
 Tipo de Variable: Cualitativa
La fórmula para calcular el tamaño de muestra en población infinita para una variable
cualitativa es:

Resolución:
Supongamos que, en la muestra de 800 personas, 200 mencionaron "bueno" ósea que están
conforme con su internet. Entonces, p = 200/800 ≈ 0.25 y q = 1 - 0.25 ≈ 0.75.

Supongamos un nivel de confianza del 95% (Z ≈ 1.96) y un margen de error del 5% (E =

0.05) Podemos calcular el tamaño de muestra:
Se requiere una muestra de al menos 288 personas para determinar la satisfacción que tiene
los usuarios.

EJEMPLO 2

En una encuesta realizada en la cuidad de montero que cuenta con 170.000 habitantes, se
busca conocer la gaseosa más consumida. Se toma una muestra de 1.500 personas y se
clasifican de la siguiente manera las respuestas:

 Coca cola
 Pepsi
 Sprite
 Fanta
 Mineragua.

Determinar que gaseosa es la más consumida en la cuidad de montero.

Identificar:
 Experimento: Investigar que gaseosa es la mas consumida por los montereños,
dentro de nuestos 5 incisos proporcionados.
 Variable aleatoria: encontrar la gaseosa más consumida en la cuidad de
montero
 Tipo de Población: Finita
 Variable: Cualitativa
La fórmula para calcular el tamaño de muestra en población finita para una variable cualitativa
es:

Resolución:
Supongamos que, en la muestra de 1.500 personas, 250 mencionaron "Fanta" como su sabor
favorito. Entonces, p = 250/1500 ≈ 0.1667 y q = 1 - 0.1667 ≈ 0.8333. Si asumimos un nivel de
confianza del 95% (Z ≈ 1.96) y un margen de error del 5% (E =

0.05), podemos calcular el tamaño de muestra:

Se necesitara una muestra de al menos 213 personas.

Ejemplo 3

Se desea estimar el costo mensual en dólares de una canasta familiar en la ciudad de santa
cruz con un 90% de confianza y un error de 1,4 dólares considerando la desviación estándar
de 8 dólares. No se conoce el tamaño de la población.

Identificar:
 Experimento: analizar el costo mensual en dólares de una canasta familiar en la
ciudad de santa cruz.
 Variable aleatoria: el gasto mensual en dólares de una familia en la ciudad de
Santa cruz
 Tipo de Población: Infinita
 Variable: Cuantitativa
La fórmula para calcular el tamaño de muestra en población infinita para una variable
cuantitativa es:

Resolución:

Supongamos que, en la muestra de 150 familias, la desviación estándar de gastos es de

3 dólares. Deseamos un nivel de confianza del 90% (Z ≈ 1.64) con un margen de error de 10
dólares (E = 10). Podemos calcular el tamaño de muestra:

Se necesitara una muestra de al menos 807 familias.

EJEMPLO 4

La empresa Farmacorp cuenta con 580 empleados, se desea estimar el salario promedio de
los empleados. Se toma una muestra de 120 empleados y se obtienen los siguientes salarios
(en bolivianos)

 14000bs
 12600bs
 11900bs
 10500bs
 9100bs

Calcula el salario promedio estimado de los empleados.

Identificar:
• Experimento: analizar el salario promedio de los empleados de la empresa
farmacorp

• Variable aleatoria: el promedio salarial de los empleados de la empresa

farmacorp
• Tipo de Población: Finita
• Variable: Cuantitativa

La fórmula para calcular el tamaño de muestra en población infinita para una variable
cuantitativa es:
Resolución:
Supongamos que, en la muestra de 120 empleados, la desviación estándar de los salarios es
560bs. Queremos un nivel de confianza del 95% (Z ≈ 1.96) con un margen de error de 35 bs
(E =35). Además, el tamaño de la población es N = 580. Podemos calcular el tamaño de
muestra:

n=1 ,96 2∗5602 ¿ ¿

2 =1,698
(35 ∗(580−1 ) )

Se requeriría una muestra de al menos 2 empleados.

8.-CONCLUSIONES Y RECOMENDACIONES CONCLUSIONES

El muestreo es sencillamente el procedimiento que se utiliza para de una población

extraer una pequeña muestra y en base a esta establecer que tipo

de muestreo utilizar (muestreo sistemático, muestreo conglomerado, muestreo

estratificado y muestreo aleatorio simple.

9.- BIBLIOGRAFIA

AZORIN, F. (1970) Curso de Muestreo y Aplicaciones. Caracas: Facultad de

Economía.
Cochran, W. (1971). Técnicas de Muestreo. México: Editorial CECSA.
Seijas, F. (1993). Investigación por Muestreo. Caracas: Ediciones FACES.
Richard, L. (2004). estadísticas para administración y economía. México: Pearson
educación de México.