5. Para obtener una muestra, se numeran los elementos de la población y se seleccionan al azar los n elementos que contiene la muestra. Muestreo aleatorio simple
6. Se elige un individuo al azar y a partir de él, a intervalos constantes, se eligen los demás hasta completar la muestra. Por ejemplo si tenemos una población formada por 100 elementos y queremos extraer una muestra de 25 elementos, en primer lugar debemos establecer el intervalo de selección que será igual a 100/25 = 4. A continuación elegimos el elemento de arranque, tomando aleatoriamente un número entre el 1 y el 4, y a partir de él obtenemos los restantes elementos de la muestra. 2, 6, 10, 14,..., 98 Muestreo aleatorio sistemático
7. Se divide la población en clases o estratos y se escoge, aleatoriamente, un número de individuos de cada estrato proporcional al número de componentes de cada estrato. En una fábrica que consta de 600 trabajadores queremos tomar una muestra de 20. Sabemos que hay 200 trabajadores en la sección A, 150 en la B, 150 en la C y 100 en la D. Muestreo aleatorio estratificado
9. Un procedimiento de muestreo contiene reglas que especifican cómo: calcula el sistema el tamaño de la muestra se debe calcular una característica de inspección Definición
10. Los procedimientos de muestreo se almacenan normalmente al nivel de la característica de una hoja de ruta o especificación de material. Si no utiliza una hoja de ruta o especificación de material para inspeccionar un material, puede almacenar un procedimiento de muestreo para una clase de inspección en los datos de inspección QM del maestro de materiales Utilización
11. Las reglas para determinar el muestreo se almacenan en la clase de muestreo. La clase de muestreo y el modo de valoración de la característica de inspección componen el procedimiento de muestreo. Estructura
12. Las clases de muestreo siguientes se suministran en el sistema estándar (entre otras): inspección al 100% muestreo fijo muestreo porcentual Clase de muestreo
13. Puede adaptar el modo de valoración para las características de inspección a la clase de muestreo (por ejemplo, para inspecciones de cómputo o medida). Los modos de valoración siguientes se suministran en el sistema estándar (entre otros): inspección por atributos inspección variable inspección SPC Modo de valoración
14. En un procedimiento de muestreo, también puede: planificar muestreos múltiples independientes y registrar los resultados de inspección para varios muestreos de la misma característica de inspección especificar la utilización de puntos de inspección Información adicional
15. Si desea que el sistema dinamice el tamaño de la muestra, especifique una regla de dinamización además de un procedimiento de muestreo. Dependiendo de si se utilizan o no puntos de inspección, sólo puede utilizar determinados procedimientos de muestreo en las hojas de ruta. Integración
16. Una población queda caracterizada a través de ciertos valores denominados parámetros, que describen las principales propiedades del conjunto. Un parámetro es un valor fijo (no aleatorio) que caracteriza a una población en particular. En general, una parámetro es una cantidad desconocida y rara vez se puede determinar exactamente su valor, por la dificultad práctica de observar todas las unidades de una población. Por este motivo, tratamos de estimar el valor de los parámetros desconocidos a través del empleo de muestras. Las cantidades usadas para describir una muestra se denominan estimadores o estadísticos muestrales. Parámetros y estimadores.
17. Estimación puntual de la varianza y de la desviación estándar de la población. El estimador utilizado con más frecuencia para hacer la estimación de la desviación estándar de la población, es la desviación estándar de la muestra: s2 = (x - x)2 / (n - 1) Al utilizar un divisor n - 1, nos da un estimador imparcial de 2.
18. Estimación puntual de la porción de la población. La porción de unidades de una población dada que posee una característica particular se representa mediante el símbolo p. Si conocemos la porción de unidades de una muestra que tiene la misma característica, podemos utilizar esa p como estimador de p. Se puede mostrar que p tiene todas las características deseables: es imparcial (no sesgado), coherente, eficiente y suficiente.
19. El teorema del límite central. La media de la distribución de muestreo de la media será igual a la media de la población. Al incrementarse el tamaño de la muestra , la distribución de muestreo de la media se acercará a la normalidad, sin importar la forma de la distribución de la población.
20. Esta relación entre la forma de la distribución de la población y la forma de la distribución de muestreo se denomina teorema del límite central, que es tal vez el más importante de toda la inferencia estadística. Nos asegura que la distribución de muestreo de la media se aproxima a la normal al incrementarse el tamaño de la muestra.
21. La importancia del teorema del límite central es que nos permite usar estadísticas de muestra para hacer inferencias con respecto a los parámetros de población sin saber nada sobre la forma de la distribución de frecuencias de esa población más que lo que podamos obtener de la muestra.
22. SUGERENCIA: El teorema del límite central nos permite utilizar las propiedades de la distribución normal en muchos casos en los que los datos subyacentes no están normalmente distribuidos.
23. Integrantes; ○ Laura V. Mixcoac Escobar ○ Liliana Cruz HernAndez ○ Brenda Campos Texcahua 4 2 0 2