República Bolivariana de Venezuela

Universidad Nacional Experimental “Simon Rodriguez

Núcleo: Maturín Edo. Monagas
Curso: Estadística II
Unidad: III y IV

Facilitador: Aspirante:
Ismerai Rodriguez Angela Peinado C.I: 23538570

Sección: “M3”
Fecha: 13/06
 Introducción
La estadística es una disciplina cuyo objeto es la interpretación de conjuntos, de datos numéricos
que se extraen de hechos empíricos. Dicha interpretación se lleva a cabo por una serie de técnicas
que han sido desarrolladas específicamente para el tratamiento adecuado de los datos.

A continuación se van a señalar las nociones de muestreo, entre las cuales se definirán conceptos
de usos estadísticos que mas adelante seran de utilidad la poblacion y la muestra.La primera es el
conjunto de la partida del que se extrae el conjunto numérico de datos que se disponen, y esta
última, es un subconjunto de elementos que forman parte de la población.

Mientras que la estimación, protagonista de la estadística inductiva es un metodo inductivo que

aplica una serie de métodos, necesarios para la transformación de datos muestrales, y a su vez el
estimador es una representación funcional de la muestra que se debe ser insesgada, consistente y
eficiente; y que a la vez se subdivide en dos tipos: puntual y por intervalo.

Es por ello que el propósito de esta investigación es el posterior análisis de las características que
conlleva aplicar los métodos de estimación en las muestras de una población que se estudia.

1)-Muestreo: Es una herramienta de la investigación científica, su función básica es determinar

de una realidad es un estudio (población o universo) que debe examinarse con la finalidad de
hacer inferencia sobre dicha población. En el muestreo si el tamaño de la muestra es más
pequeño que el de la población, se puede extraer dos o más muestras de la misma población. Al
tomar varias muestras de una población , la estadística que calculamos para cada muestra no
necesariamente serán iguales, y lo más probable es que variarán de una muestra a otra.

2)-Población: Conjunto de todos los individuos que son objeto del estudio.

3)-Muestra: Conjunto de individuos del universo que es

seleccionado para estudiarlos.

4)-Parámetros y estadísticas: Un parámetro estadístico es un número que se obtiene a partir de

los datos de una muestra estadística. Los parámetros estadísticos también se conocen como
estadísticos descriptivos. Los parámetros estadísticos sirven para sintetizar o resumir la
información dada por una tabla o por una gráfica. En otras palabras, dados unos pocos
parámetros estadísticos se puede tener una idea general de la distribución de la información.
Los parámetros estadísticos dan un buen resumen cuando se conoce la distribución de la
población. En particular, si la muestra proviene de una distribución normal, entonces el promedio
típico y la desviación estándar dan un buen resumen de la distribución.

Ejemplos de parámetros estadísticos son el promedio, la mediana, la desviación estándar o los

cuartiles. Los parámetros estadísticos se clasifican según la información que resumen. Los dos
tipos más comunes de parámetros estadísticos son:

● De tendencia central.
● De dispersión.
5)-Inferencia estadística: La inferencia estadística es un tipo de razonamiento que procede de lo
concreto a lo general, intentando extraer conclusiones sobre los parámetros de una población a
partir de la información contenida en los estadísticos de una muestra de esa población.

6)-ventajas del muestreo:

● Sencillo y de fácil comprensión
● Calculo rapido de medidas y varianzas
● Facil de aplicar
● No siempre es necesario tener un listado de tod la poblacion
● Tiende a segurar que la muestra represente adecuadamente a la poblacion en funcion de
unas variables seleccionadas
● Se obtienen estimaciones mas precisas.
● Es muy eficiente cuando la poblacion e muy grande y dispersa

7)-Muestreo probabilístico: Los métodos de muestreo probabilísticos son aquellos que se basan
en el principio de equiprobabilidad. Es decir , aquellos en los que todos los individuos tienen la
misma probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas
las posibles muestras de tamaño no tienen la misma probabilidad de ser seleccionado.

8)-Tipos de muestreo, (ejemplos): Existen diferentes criterios de clasificación de los diferentes

tipos de muestreo, aunque en general pueden dividirse en dos grandes grupos: métodos de
muestreo probabilístico y método de muestreo no probabilístico.
1.- Muestreo Probabilístico: Los métodos de muestreo probabilísticos son aquellos que se
basan en el principio de equiprobabilidad. Es decir , aquellos en los que todos los individuos
tienen la misma probabilidad de ser elegidos para formar parte de una muestra y,
consiguientemente, todas las posibles muestras de tamaño no tienen la misma probabilidad de ser
seleccionado.

● Muestreo aleatorio simple: Es aquel en que cada elemento de la población tiene la

misma probabilidad de ser seleccionado para integrar la muestra.Una muestra simple
aleatoria es aquella en que sus elementos son seleccionados mediante el muestro aleatorio
simple.

Procedimiento:

1. Definir la población de estudio.

2. Asignar un número a cada individuo de la población.
3. Determinar el tamaño de muestra óptimo o para el estudio.
4. Seleccionar la(s) muestra (s) de manera sistemática por medio de algún medio mecánico
(tablas de números aleatorios, bolas dentro de una bolsa, números aleatorios generados
con una calculadora, entre otras.)
5. Se eligen tantos individuos como sean necesarios para completar el tamaño de muestra
que necesitamos.

Ejemplo:
Para obtener una muestra de alumnos de una escuela para aplicarles una encuesta, lo primero que
se hace es enumerar a todo el alumnado. Se obtiene una lista de alumnos matriculados y se le
asigna un número a cada uno en el orden alfabético y ascendente.
Suponiendo que el total de alumnos es de 700 se utilizan los números 001, 002, 003,....700. Se
determina el tamaño de muestra, en este caso es de tamaño 75. Enseguida se utiliza una tabla de
números aleatorios formando números de tres dígitos aceptando como unidad de análisis muestra
a todos aquellos que estén comprendidos entre el 001 y el 700.

● Muestreo aleatorio sistemático: Es la elección de una muestra a partir de los elementos

 de una lista según un orden determinado, o recorriendo la lista a partir de un número
aleatorio determinado.
Una población de N elementos, si queremos extraer una muestra de tamaño n, partimos de
un número K=N/n, llamado coeficiente de elevación y tomamos un número al azar ha
comprendido entre 1 y K que se denomina arranque u origen. La muestra estará formada
por los elementos: a, a+k, a+2k,...... a+(n-1) k.
De aquí se deduce que un elemento poblacional no podrá aparecer más de una vez en la
muestra. La muestra será representativa de la población pero introduce algunos sesgos
cuando la población está ordenada en función de determinados criterios.

Procedimiento:

1. Definir la población de estudio.

2. Determinar el tamaño de muestra requerido.
3. Se calcula la muestra sistemática dividiendo la población entre el tamaño de la muestra.
4. El valor de K es el intervalo de selección que indica cada K de veces que un elemento de
la población se integrará a la muestra (en el caso de no estar enumerados los elementos).
y también es el intervalo de selección del cual se escoge un número aleatoriamente dentro
de este intervalo (en caso de que los elementos están numerados), y de ahí se parte para
seleccionar las muestras en los demás grupos o intervalos de selección.

Ejemplo:
Cuando los elementos no están enumerados. Si se va a probar una muestra de 50 de una
población de 500 pelotas, K= 500/50, K=10. Ya que ninguna pelota tiene un número específico,
este intervalo de selección indica que cada 10 décimas de pelota que contemos se integrará a la
muestra. La primera muestra es la décima pelota que saquemos de una bolsa, la segunda muestra
es la vigésima, la tercera la trigésima y así de diez en diez hasta completar las 50 muestras que se
piden.
Cuando los elementos están numerados. Si la población se compone de una lista de cheques
prenumerados N=800 y se quiere extraer una muestra sistemática de n=40, se aplica la fórmula
𝑁 800
K= 𝑛
, k= 40
, K=20. De este intervalo selecciona un número aleatorio

entre uno 1 y 20, y se incluye cada vigésimo elemento tras la primera selección de la muestra.
Supongamos que el primer numero seleccionado es 8, sus selecciones subsiguientes son 28, 48,
68, 88, 108, 128, 148, 168, 188, 208,
208,228,248,268,288,308,328,248,268,388,408,428,448,468,488,508,528,548,568,588,608,628,6
48,668,688,708,728,748,768 y 788.

● Muestreo aleatorio estratificado: Consiste en la división previa de la población de

estudio en grupos o clases de que se suponen homogéneos respecto a característica 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.

Procedimiento:
Los pasos para seleccionar una muestra proporcionalmente estratificada son:
1. Definir la población de estudio.
2. Determinar el tamaño de muestra requerido.
3. Establecer los estratos o subgrupos.
4. Determinar la frecuencia relativa del muestreo de cada estrato, dividiendo el tamaño del
estrato entre el tamaño de la población de estudio.
5. Multiplicar la frecuencia relativa del muestreo de cada estrato por el tamaño de la
muestra total, para obtener de cada estrato la cantidad de individuos que se integrarán a
dicha muestra.
6. Seleccionar y extraer de cada estrato la cantidad de individuos que formarán parte de la
muestra total aplicando el procedimiento de muestreo aleatorio simple.

● Muestreo aleatorio por conglomerados: Cuando la población se encuentra dividida , de

manera natural en grupos que se suponen 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.

Procedimiento:

1. Dividir la población en conglomerados.

2. Seleccionar al azar el número de conglomerados que desee.
3. Tomar una muestra aleatoria simple de uno de los elementos de cada conglomerado.

Ejemplo:
Si se va a realizar una encuesta sobre las políticas y leyes del municipio, se podría dividir el
municipio en distritos, por ejemplo en 13 distritos, de esos tres se toma al azar el 4,5,9 y 11, y
solo concentrándose en estos distritos, tomamos una muestra aleatoria de habilitantes de cada
uno de esos distritos, para entrevistarlos.

2.- Muestreo no probabilístico: Es una técnica de muestreo donde las muestras se recogen en
un proceso que no brinda a todos los individuos de la población iguales oportunidades de ser
seleccionados.

● Muestreo por Cuotas: Es una tecnica de muestreo no probabilistico en donde la muestra

reunida tiene la misma proporcion de individuos que toda la poblacion con respecto al
fenomeno enfocado, las caracteristicas o los rasgos conocidos, Ejemplo: 20 individuos
de 25 a 40 años, de sexo femenino y residentes en agua blanca. Una vez determinada la
cuota se eligen los primeros que se encuentren que cumplan esas características. Este
método se utiliza mucho en las encuestas de opinión.
● Muestreo Intencional o de conveniencia: Es un método de muestreo no probabilístico.
Consiste en seleccionar a los individuos que convienen al investigador para la muestra.
Esta convivencia se produce porque al investigador le resulta más sencillo examinar a
 estos sujetos, ya sea por proximidad geográfica, por ser simples conocidos, etc.

● Bola de Nieve: Es un método de muestreo no probabilístico. El muestreo se realizará

sobre poblaciones en las que no se conoce a sus individuos o es muy difícil acceder a
ellos. Podrían serlos casos de sectas secretas, indigentes, grupos minoritarios, etc. se
llama muestreo de bola de nieve porque cada sujeto estudiado propone a otros,
produciendo un efecto acomulativo parecido al de la bola de nieve.

● Muestreo Discrecional: Es un método de muestreo no probabilístico. Los sujetos se

seleccionan a base del conocimiento y juicio del investigador. El investigador selecciona
a los individuos a través de su criterio profesional. Puede basarse en la experiencia de
otros estudios anteriores o en su conocimiento sobre la población y el comportamiento de
esta frente a las características que se estudian.

9)-Distribuciones en el muestreo. (ejemplos):

Es evidente que los resultados obtenidos del estudio de una muestra no son del todo fiables, pero
sí en buena medida. Los parámetros que obtienen de una muestra (estimadores estadísticos) nos
permitirán arriesgarnos a predecir una serie de resultados para toda la población. De estas
predicciones y del riesgo que conllevan se ocupa la Inferencia Estadística.

10)-Distribución de la media muestral de medias: Cada muestra de tamaño que podemos

extraer de una población proporciona una media. Si consideramos cada una de estas medias como
valores de una variable aleatoria podemos estudiar su distribución que llamaremos distribución
muestral de medias.

● Si tenemos una población normal N(m,s) y extraemos de ella muestras de tamaño n, la

 distribución muestral de medias sigue también una distribución normal

● Si la población no sigue una distribución normal pero n>30, aplicando el llamado

Teorema central del límite la distribución muestral de medias se aproxima también a la
normal anterior.

11)-Error típico de estimación. (ejemplos): El error estándar de estimación se utiliza para

determinar qué tan bien puede describir una línea recta los valores de un conjunto de datos. A
partir de un conjunto de datos de alguna medida, experimento, encuesta u otra fuente, podrás
crear una línea de regresión para estimar más información. El error estándar de estimación te
permitirá obtener un puntaje que describe cuán precisa es tu línea de regresión.

Por ejemplo, en una muestra de 64 alumnos con una puntuación media de 56 y una desviación
típica de 24, el error estándar de la media es 24 : 8 = 3, y los extremos del intervalo de estimación
para la media de las puntuaciones en la población serían 56 – (2 x 3) = 50 y 56 + (2 x 3) = 62.

12)-Distribución muestral de proporciones:

● Características de la distribución muestral de la proporción:

1. Forma de distribución: La de la distribución binomial , (B n , donde Xi es la proporción

asociada a la categoría i de la variable categórica X en la población, y n es el tamaño de muestra
con que se construya la distribución muestral. Si el tamaño de muestra es suficientemente grande,
la forma de la distribución muestral de la proporción puede considerarse como normal. →
Criterio de muestra suficientemente grande que se suele considerar en la práctica: que se cumpla
que n∙πXi ≥ 5 y n∙(1-πXi) ≥ 5
13)-Error típico de estimación. (ejemplos): El error típico o estándar sirve para indicar el
intervalo de confianza con respecto a la fiabilidad de los cálculos realizados sobre una muestra;
en otras palabras, determina el grado en que la estimación de una muestra puede diferir con
respecto al parámetro de una población.

Por ejemplo, en una muestra de 64 alumnos con una puntuación media de 56 y una desviación
típica de 24, el error estándar de la media es 24 : 8 = 3, y los extremos del intervalo de estimación
para la media de las puntuaciones en la población serían 56 – (2 x 3) = 50 y 56 + (2 x 3) = 62.

14)-Estimador: Es un estadístico (es decir, es una función de la muestra) usado para estimar un
parámetro desconocido de la población.

Por ejemplo, si se desea conocer el precio medio de un artículo (el parámetro desconocido) se
recogerán observaciones del precio de dicho artículo en diversos establecimientos (la muestra) y
la media aritmética de las observaciones puede utilizarse como estimador del precio medio. Para
cada parámetro pueden existir varios estimadores diferentes

15)-Estimación: Una estimación estadística es un proceso mediante el cual establecemos qué

valor debe tener un parámetro según deducciones que realizamos a partir de estadísticos. En otras
palabras, estimar es establecer conclusiones sobre características poblacionales a partir de
resultados muéstrales.

16)-Características de buen estimador: insesgado,consistente,suficiente y eficiente:

● Sesgo: Se denomina sesgo de un estimador a la diferencia entre la esperanza (o valor

esperado) del estimador y el verdadero valor del parámetro a estimar. Es deseable que un
estimador sea insesgado o centrado, es decir, que su sesgo sea nulo por ser su esperanza
igual al parámetro que se desea estimar. Por ejemplo, si se desea estimar la media de una
población, la media aritmética de la muestra es un estimador insesgado de la misma, ya
 que su esperanza (valor esperado) es igual a la media de la población.

● Eficiencia: Un estimador es más eficiente o preciso que otro, si la varianza del primero es
menor que la del segundo.

● Convergencia: Para estudiar las características de un estimador no solo basta con saber el
sesgo y la varianza, sino que además es útil hacer un análisis de su comportamiento y
estabilidad en el largo plazo, esto es, su comportamiento asintótico. Cuando hablamos de
estabilidad en largo plazo, se viene a la mente el concepto de convergencia. Luego,
podemos construir sucesiones de estimadores y estudiar el fenómeno de la convergencia.

● Consistencia: Se utilizan cuando no es posible emplear estimadores de mínima varianza,

el requisito mínimo deseable para un estimador es que a medida que el tamaño de la
muestra crece, el valor del estimador tiende a ser el valor del parámetro, propiedad que se
denomina consistencia.

17)-Tipos de estimación:

● Estimación puntual: la estimación se representa mediante un solo número.

● Estimación por intervalo: la estimación se representa mediante dos números que

determinan un intervalo sobre la recta.

18)- Error de estimación, riesgo, tamaño de muestra: A mayor intervalo de confianza mayor
debe ser el tamaño de la muestra, por lo que se puede decir que el intervalo de confianza es
propio de cada investigación. El error de estimación es siempre inversamente proporcional al
tamaño de la muestra, a mayor tamaño menor error.

Obviamente, cuanto mayor sea el tamaño de la muestra mayor será la probabilidad de que ésta
sea representativa de la población, sin embargo, no hay que olvidar que también será mayor el
esfuerzo implicado en la recogida de los datos y, por lo tanto, se perderá la principal ventaja
inherente al muestreo: la economía de recursos a la hora de obtener los datos.

19).- Construcción de un intervalo de confianza, para la muestra y para la población

(ejemplos):

Dada una muestra de tama˜no n, para un nivel de confianza 1-α y la desviación tıpica de la
población σ, el Intervalo de Confianza se determina mediante:

𝑎 σ 𝑎 σ
( 𝑥= -z 2 ,𝑥+z2 )
𝑛 𝑛

Ejemplo de intervalo de confianza para la media, µ con σ conocida.

Se desea estimar con un nivel de confianza del 95 % la talla media de los hombres de 18 o ḿas
años de un pais. Suponiendo que la desviación típica de las tallas en la población vale 4, obtenga
el intervalo de confianza con una muestra de n=15 hombres seleccionados al azar, cuyas alturas
son: 167 167 168 168 168 169 171 172 173 175 175 175 177 182 195.

Es necesario determinar la media de la muestra, X, y los valores de los cuantiles, z α 2 , en la

distribución normal. En el modelo normal, el cuantil de orden 0.975 lo notamos con z0,025 =
1,96 y el de orden 0.025 se nota con z0,975 = −1,96, o bien podemos cambiar el signo al cuantil
de orden 0.975, que es lo que hacemos cuando la distribuci ́on es sim ́etrica (caso normal y caso t
de Student), −z0,025 = −1,96. La media se obtiene mediante:

∑𝑥¡𝑛¡
𝑥= 𝑁
 Conclusion
Siendo la muestra una derivación de la población en calidad de representación de la misma. El
muestreo en estadística es una técnica utilizada para seleccionar la muestra. Dentro del muestreo
nos encontramos con el parámetro y lo estadístico, en cuanto el parámetro no es más que la
característica que posee una población, y los estadísticos son las característica que posee la
muestra.
Un estimador es una representación de los resultados de un muestreo, que se usa para estimar las
cualidades o entidades, o parámetros, que se quieren obtener de una población.
Cuando se utiliza una estimación siempre existe un margen de error, que puede ser disminuido
según las características del estimador, las cuales proporcionan una mayor precisión en los
resultados, cuando se menciona que un estimador debe ser insesgado , se refiere a que el valor
que se tiende a que el valor esperado debe ser igual a los resultados que se obtienen; es eficiente
porque sus valore están por debajo de los demás estimadores y es consistente porque sus valores
al crecer la muestra se emparejan o acercan al valor del parámetro.