Asignatura Datos del CIPA Fecha

Nombre CIPA: # 2
Integrantes:
ESTADISTICA II 13/11/2020
Luisa Fernanda Meza Osorio
Maryuris Leyin Mejía Reales

Actividad
Protocolo colaborativo de la unidad N°2

Análisis y síntesis:
Síntesis e interpretación colaborativa de los temas vistos en la unidad

UNIDAD DOS: DISTRIBUCIÒN MUESTRAL

La Estadística estudia los métodos y procedimientos para recoger, clasificar, resumir, hallar
regularidades y analizar los datos, siempre y cuando la variabilidad e incertidumbre sean
una causa intrínseca de los mismos; así como de realizar inferencias a partir de ellos, con
la finalidad de ayudar a la toma de decisiones y en su caso formular predicciones. Es por
ello que el siguiente protocolo colaborativo estará centrado en el estudio del tema de la
unidad llamado Distribución muestral. Para empezar, en estadística, la distribución muestral
es lo que resulta de considerar todas las muestras posibles que pueden ser tomadas de
una población. Su estudio permite calcular la probabilidad que se tiene, dada una sola
muestra, de acercarse al parámetro de la población, mediante la distribución muestral se
puede estimar el error para un tamaño de muestra dado.

Es por ello, que se denomina muestreo al proceso por el que generamos las muestras. Una
muestra es una parte (un subconjunto) de la población, y se desea que la muestra sea lo
más representativa posible de la población de la que procede. Sin embargo, por muy
cuidadosa que sea la selección de la muestra difícilmente será una representación exacta
de la población. Esto significa que su tendencia central, variabilidad, etc., aproximarán las
de la población, pero habrá cierta diferencia, que interesa sea lo menor posible. Un
concepto clave de muestreo es el de representatividad: Los procedimientos de muestreo
tienen por objeto generar muestras lo más representativas posible de las poblaciones
dados los objetivos de la investigación y las circunstancias que afectan al muestreo.

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. Actualmente es de interés la selección de muestras para la simulación
informática de los procesos de muestreo, particularmente para la obtención de
distribuciones muestrales. En estos casos el número de muestras generadas puede ser
muy grande (10.000, 80.000, o más) y el procedimiento de muestreo se realiza
informáticamente y con procedimientos específicos.
 Asignatura Datos del CIPA Fecha
Nombre CIPA: # 2
Integrantes:
ESTADISTICA II 13/11/2020
Luisa Fernanda Meza Osorio
Maryuris Leyin Mejía Reales

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. Para
cuantificarlo y definir técnicas inferenciales es necesario conocer cómo se comportan los
estadísticos obtenidos en las muestras, esto es, cómo son las distribuciones muestrales de
los estadísticos habitualmente utilizados para la inferencia.

Las muestras singulares generadas para investigación con sujetos suelen utilizarse para
obtener algunos estadísticos (Media, proporción, cuasivarianza, etc.) con los que se realiza
el proceso de inferencia. En cambio, las muestras simuladas por ordenador suelen ser
utilizadas para obtener distribuciones muestrales y realizar inferencia. Esto es de interés
cuando se dan circunstancias especiales que no aconsejan utilizar los procedimientos
habituales. Las distribuciones muestrales son las distribuciones de estadísticos de
muestras que pertenecen a la misma población. Por ejemplo, la distribución muestral de la
Media es la distribución de las Medias de muestras de un mismo tamaño extraídas de la
misma población. Ahora, vamos a centrarnos en la media muestral, una herramienta
estadística utilizada para estimar la media poblacional (un parámetro). Por ejemplo, al
gerente de una empresa que comercializa bultos de plátano le interesa utilizar la media
muestral del peso de estos (ya que todos no van a ser iguales) calculada a partir de una
muestra, para estimar el peso medio incluido en una población de bultos.
Hipotéticamente, al utilizar un estadístico muestral para estimar un parámetro poblacional,
es necesario examinar toda posible muestra que pudiera presentarse. La distribución
muestral es la distribución de los resultados que se presentan.

• Muestra: parte de la población seleccionada para análisis.

• Población: todos los miembros de un grupo sobre los que se desea obtener una
conclusión.
• Parámetro: medida numérica que describe una característica de la población.
• Estadístico: medida numérica que describe alguna característica de la muestra.

TEOREMA DEL LÌMITE CENTRAL

El teorema del límite central o teorema central del límite indica que, en condiciones muy
generales, si Sn es la suma de n variables aleatorias independientes y de varianza no nula
pero finita, entonces la función de distribución de Sn «se aproxima bien» a una distribución
normal (también llamada distribución gaussiana, curva de Gauss o campana de Gauss).
Así pues, el teorema asegura que esto ocurre cuando la suma de estas variables aleatorias
e independientes es lo suficientemente grande
 Asignatura Datos del CIPA Fecha
Nombre CIPA: # 2
Integrantes:
ESTADISTICA II 13/11/2020
Luisa Fernanda Meza Osorio
Maryuris Leyin Mejía Reales

Discusión:
Dudas, desacuerdos, discusiones

IMPORTANCIA DE LAS DISTRIBUCIONES MUESTRALES

Una de las áreas con mayor aplicación de la estadística práctica es la inferencia estadística.
Su importancia radica en que, mediante la aplicación de sus métodos, es posible obtener
conclusiones significativas acerca de toda una población con base en la información que
proporcionan los datos de una sola muestra o un experimento. Un concepto clave en el que
se fundamentan los métodos de inferencia estadística son las distribuciones muestrales, ya
que representan el valor que puede tomar un estadístico (por ejemplo, la media o la
proporción) en cada una de las muestras aleatorias de un tamaño dado que se pueden
extraer de una misma población.
La experiencia de muchos profesores y diversos resultados de investigación en educación
estadística señalan que las distribuciones muestrales constituyen un concepto
notoriamente difícil para muchos estudiantes. Por ejemplo, Chance, DelMas y Garfield
(2004) consideran que la dificultad de las distribuciones muestrales radica en que requieren
integración y combinación de muchas ideas de estadística, tales como distribución,
muestra, población, variabilidad y muestreo. Lipson (2002) asocia la dificultad a la idea de
muestra, al proceso dinámico de muestreo y a la diversidad de representaciones
matemáticas y simbólicas del concepto. Por su parte, Moore (1992) asocia las dificultades
de comprensión de la inferencia estadística y las distribuciones muestrales a la enseñanza
tradicional que ha prevalecido hasta ahora, donde se utiliza un enfoque basado en
probabilidad, la cual es reconocida como una de las áreas más complejas de las
matemáticas.