INSTITUTO TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico Campus Tapachula

Carrera: Ingeniería en gestión empresarial

Asignatura: Probabilidad y Estadística Descriptiva

Clave y grupo: GED-0921-3A

RESUMEN Y PARÁFRASIS

TEMA 4: Estadística; Teoría del muestreo

Alumno: Ximena Ortiz Rendón

Actuario: De León Pascacio Renato Gilberto

Fecha: Tapachula, Chiapas; 12 de diciembre del 2021

 ÍNDICE

Introducción...................................................................................................................... 4

Resumen ............................................................................................................................ 6

Capítulo 8. Teoría elemental del muestreo ................................................................. 6

Teoría del muestreo ................................................................................................. 6

Muestras aleatorias y números aleatorios ............................................................ 10

Muestreo con y sin reposición .................................................................................. 11

Distribuciones de muestreo ...................................................................................... 11

Distribución de muestreo de medidas ..................................................................... 14

Distribución de muestreo de proporciones ............................................................. 15

Distribución de muestreo de diferencias y sumas .................................................. 17

Errores típicos ..........................................................................................................18

Capítulo 9. Teoría de la estimación estadística ...................................................... 20

Estimación de parámetros ...................................................................................... 20

Estimación sin sesgo ................................................................................................. 21

Estimación eficiente .................................................................................................22

Estimaciones de punto y estimaciones de intervalo; su fiabilidad ....................... 23

Estimaciones de intervalo de confianza para parámetros de población ............. 24

Intervalos de confianza para las medias................................................................25

 Intervalos de confianza para proporciones ............................................................25

Intervalos de confianza para diferencias y sumas ...............................................26

Intervalos de confianza para desviaciones típicas ................................................ 27

Error probable ......................................................................................................... 28

Conclusión.........................................................................................................................29

Referencias ..................................................................................................................... 30

Paráfrasis........................................................................................................................ 31
 INTRODUCCIÓN

En el presente trabajo hablaremos de manera resumida sobre el capítulo 8 del libro

de Estadística, la teoría de muestreo se refiere al estudio de las relaciones que
existen entre un colectivo o población y las muestras que se extraen de las mismas.
El estudio de las muestras permite hacer estimaciones de características
desconocidas de la población (tales como media, desviación típica, proporciones, etc).
Estas estimaciones se hacen a partir del conocimiento de las características de las
muestras (media, desviación típica, proporción, etc).

De igual manera el capítulo 9 se refieres a la estimación puntual que consiste en

atribuir un valor (la estimación) al parámetro poblacional. Si la muestra es
representativa de la población, podemos esperar que los estadísticos calculados en
las muestras tengan valores semejantes a los parámetros poblacionales, y la
estimación consiste en asignar los valores de los estadísticos muestrales a los
parámetros poblacionales. Los estadísticos con que obtenemos las estimaciones se
denominan estimadores.

Estos subtemas son la introducción para entender el tema teoría del muestreo,
muestras aleatorias y números aleatorios, muestreo con y sin reposición,
distribuciones de muestreo, distribución de muestreo de medidas, distribución de
muestreo de proporciones, distribución de muestreo de diferencias y sumas, errores
típicos, estimación de parámetros, estimación sin sesgo, estimación eficiente,
estimaciones de punto y estimaciones de intervalo; su fiabilidad, estimaciones de

4
intervalo de confianza para parámetros de población, intervalos de confianza para
las medias, intervalos de confianza para proporciones, intervalos de confianza para
diferencias y sumas, intervalos de confianza para desviaciones típicas, error
probable.

5
 RESUMEN

CAPÍTULO 8. TEORÍA ELEMENTAL DEL MUESTREO

TEORÍA DEL MUESTREO

La teoría del muestreo estudia la relación entre una población y las muestras
tomadas de ella. Tiene mucha utilidad en muchos campos. Como estimar magnitudes
desconocidas de una población como lo son la media y varianza llamadas a menudo
parámetros de la población. El nombre de estas magnitudes sobre muestras se les
llama estadísticos de la muestra o simplemente estadísticos.

La teoría del muestreo es útil para determinar si las diferencias observadas

entre dos muestras son debidas variaciones fortuitas o significativas. Las respuestas
implican el uso de los llamados contrastes (o tesis) de hipótesis y de significación, esto
es importante en la teoría de las decisiones. La inferencia estadística es un estudio
de las inferencias hechas sobre la población a partir de muestras suyas con indicación
de la precisión de estas interferencias.

EJEMPLO

Dos observadores examinan el porcentaje en que aparece en capturas de peces una

especie de Leiognathus en una mezcla con otras varias. El observador A trabaja
rápidamente pero con poco cuidado, equivocándose en la identificación de algunos
peces; el observador B trabaja mucho más lentamente pero con más cuidado. Según

6
una serie de muestras, las estimaciones del porcentaje de presencia de Leiognathus
splendens en las capturas fueron

A. 4 4 3 5 4
35464
63435
45446
53545

B. 9 7 11 4 8
4 10 8 9 12
8 3 6 10 15
11 12 7 13 11
10 5 8 9 12

Después de calculadas las medias y variancias de las anteriores distribuciones, resulta

que: (a) las estimaciones obtenidas por A son más precisas (tienen una variancia
menor) que las de B (0,89: 9,03); (b) sabiendo, por otras estimaciones, que el
verdadero porcentaje es 9,1, resulta que A tiene un fuerte sesgo negativo; (c) si se
admite que A omite la mitad de los peces, se puede obtener una estimación
relativamente no sesgada y precisa duplicando las estimaciones obtenidas
por A (media 8,64, sesgo [o sea, diferencia entre la media estimada y la real] - 0,46,
variancia 3,6).

7
Se puede producir un sesgo como consecuencia de un método deficiente de análisis,
pero con más frecuencia por una elección defectuosa de las muestras, o por el mismo
método que se emplea para realizar las mediciones o al contar las muestras; por
ejemplo, si los peces se clasifican por tamaños al ser desembarcados, y se toma una
muestra de una partida de los grandes, se producirá una sobreestimación de la talla
- un sesgo positivo en la talla media - o si se hacen caladas con una red clara para
plancton, al escapar las diatomeas pequeñas, quedarán éstas subestimadas, mientras
que las grandes resultarán sobreestimadas (sesgos negativo y positivo
respectivamente en la proporción de diatomeas pequeñas y grandes). Es difícil
librarse de los sesgos, especialmente si se toman muestras en ambientes marinos
naturales, bien de diatomeas con una red de plancton, o peces con un arte de
arrastre.

Por más que se aumente el tamaño de la muestra, o se combinen varias de ellas, el

sesgo permanece inalterado, pero la variancia se reducirá de una manera
inversamente proporcional al tamaño de la muestra, o al número de muestras
combinadas. Esta doble manera de reducir la variancia está, a su vez, muy en relación
con el problema del ahorro de trabajo y del costo de un programa de muestreo. Al
menos en teoría, se puede obtener un grado de precisión1 determinado, tomando una
muestra suficientemente grande. El objetivo de un buen muestreo es no sólo obtener
un nivel de precisión (variancia pequeña), sino también hacerlo con el menor costo. El
sesgo, por el contrario, no puede ser reducido aumentando el muestreo, y a menudo
no se logra descubrir su presencia por un análisis de los datos (en el Ejemplo 2.1.1 no
hay ningún indicio para que, por medio de los propios datos, podamos descubrir si las

8
muestras A o B están sesgadas). Normalmente, el sesgo sólo podrá descubrirse y
eliminarse nada más que a través de un examen cuidadoso del sistema de muestreo,
desde el comienzo al fin. En la mayor parte de las situaciones, debe ponerse un gran
cuidado para comprobar que han sido eliminadas todas las fuentes probables de
sesgos. Sin embargo, hay casos en los que resulta muy fácil medir el sesgo y, por lo
tanto, eliminarlo de los análisis posteriores (por ejemplo, las redes de enmalle son
altamente selectivas del tamaño de los peces que capturan, y darán muestras
sesgadas en la estimación de la talla media. Sin embargo, esta selectividad puede ser
medida, y corregida, en los análisis posteriores). No obstante, en este caso, como en
todos los demás, es preciso examinar todas las posibilidades de sesgos antes de
proceder al muestreo y, si se reconoce la existencia de un sesgo, éste debe medirse
cuidadosamente, independientemente del proceso del muestreo.

Conviene aquí seguir manteniendo la

distinción entre precisión y exactitud,
que se corresponde estrechamente con
la distinción entre variancia y sesgo (o,
más bien, sus recíprocos). Una
cantidad precisa tendrá poca
variancia y será dada con muchas
cifras, pero puede estar alejada del valor verdadero. Siendo la talla real de un pez
17,638 cm, serán mediciones precisas de su longitud 17,64 cm, ó 18,32 cm, pero esta
última será aproximadamente inexacta. Más exactas, pero menos precisas, serán las
tallas de 17,6 ó 18 cm.

9
 MUESTRAS ALEATORIAS Y NÚMEROS ALEATORIOS

Las muestras deben escogerse representativas para que las conclusiones de la teoría
del muestreo y de la inferencia sean válidas. El diseño del experimento es el análisis
de los métodos de muestreo y problemas relacionados.

La forma de conseguir una muestra representativa es mediante el muestreo

aleatorio con el cual cada miembro de la población tiene la misma probabilidad de ser
incluido a la muestra. Un método alternativo consiste en recurrir a una tabla de
números aleatorios especialmente construida.

EJEMPLO
Una empresa tiene 120 empleados. Se quiere extraer una muestra de 30 de ellos.

 Enumera a los empleados del 1 al 120

 Sortea 30 números entre los 120 trabajadores
 La muestra estará formada por los 30 empleados que salieron seleccionados de los
números obtenidos.

10
 MUESTREO CON Y SIN REPOSICIÓN

Hay dos tipos de muestreo el primero que es el muestreo con reposición consiste en
que si sacas de urna un elemento y lo vuelves a meter para que pueda salir otra vez
y el otro que es el muestreo sin reposición consiste en que no pueda a volver a entrar
otra vez ese elemento. Por ejemplo en una lotería de la escuela en la que se sortean
2 objetos hay 10 personas que entraron a esta y consta de ser con reposición, en esta
rifa salió ganando la misma persona los dos objetos, y si hubiera sido sin reposición 2
personas hubieran ganado y no solo una.

DISTRIBUCIONES DE MUESTREO

Si todas las posibles muestras de tamaño N en una población podemos realizar un

calcular un estadístico que varía de muestra a muestra, de esta manera obtenemos
una distribución del estadístico que se llama distribución de muestreo. Para cada

11
distribución de muestreo podemos calcular la media, la desviación típica, etc. Así se
podemos ver la media y la desviación típica de la distribución de muestreo de medias,
etc. Una distribución de muestreo de medias o distribución de muestreo de la media
es cuando utilizamos
la media muestral.

EJEMPLO

Si suponemos que la estatura promedio de las argentinas entre 19 y 49 años es de 161

centímetros con una desviación estándar de 6,99, estos serían los parámetros de la
población. Si sacamos cinco muestras aleatorias de veinte observaciones de esta
población van a arrojar resultados distintos a estos valores. Algunas muestras van a
tener una media por arriba del media real y otras van a tener una media por debajo.

12
Como lo podemos observar en la figura la distribución de las muestras es simétrica y
normal. La media de nuestras muestras es 161,42; ligeramente por arriba de la media
real, y la desviación estándar es de 6,17; más de medio centímetro por debajo de la
desviación estándar de la población. La distribución muestral tiene algunas
propiedades que son útiles para nuestro trabajo estadístico:

1. Se aproxima a una distribución normal. Esto se conoce como el teorema del

límite central.
2. La media de la distribución es igual (o casi igual) a la media de la población.
3. La dispersión es menor a la de la población general.

El número (3) de la lista tiene su lógica ya que en una muestra aleatoria un valor
frecuente tiene más probabilidad de ser seleccionada que un valor extremo. La
diferencia entre curva normal de la población y la curva de la distribución muestral
está ilustrada en la figura.

13
 DISTRIBUCIÓN DE MUESTREO DE MEDIAS

Suponiendo que se toman las posibles muestras de tamaño N sin reposición de una
población finita de tamaño NP > N. Si se denota la media y la desviación típica de la
distribución de muestreo de medias por µX y σX y las de la población por µ y σ,
σ 𝑁 −𝑁
entonces µX = µ y σX = √ 𝑃
, si la población es infinita o si el muestreo es
√𝑁 𝑁 −1𝑃

σ
con reposición los resultados se reducen a µX = µ y σX = .
√𝑁

Para valores grandes N la distribución de muestreo de medias es casi normal

con media µX y desviación típica σX independientemente de la población. Este
resultado para una población infinita es un caso especial del teorema del límite central
de teoría avanzada de probabilidades que afirma que la precisión de la aproximación
mejora al crecer N. Esto se indica en ocasiones
diciendo que la distribución de muestreo es
asintomáticamente normal.

EJEMPLO

Supongamos que la estatura media de las alumnas de un instituto es de 165 cm, con
desviación típica de 8 cm.

a) Halla los parámetros de una media muestral de tamaño n = 36.

b) ¿Cuál es la probabilidad de que una muestra de 36 alumnas tenga una media de

167 cm o más centímetros?

14
 DISTRIBUCIÓN DE MUESTREO DE PROPORCIONES

Si una población es infinita y la probabilidad de ocurrencia de un suceso es p, mientras

la probabilidad de que no ocurra es q = 1 – p. Por ejemplo la población puede ser la de
todas las posibles tiradas de una moneda en la que la probabilidad del suceso cara es
p = ½. Viendo todas las probabilidades de la población y para cada una de ellas
determinan la proporción de éxitos P. De esto obtenemos así una distribución de
muestreo de proporciones cuya media µp y cuya desviación típica σp vienen dadas

15
 𝑝𝑞 𝑝 (1−𝑝)
por µp = p y σp = √ =√ que se puede obtener poniendo µ = p y σ =
𝑁 𝑁

√pq para valores grandes, la distribución de muestreo es aproximadamen-te

normalmente distribuida. La población está binominalmente distribuida.

EJEMPLO

Una fábrica de pasteles fabrica, en su producción habitual, un de pasteles

defectuosos. Un cliente recibe un pedido de pasteles de la fábrica. Calcula la

probabilidad de que encuentre más del de pasteles defectuosos.

SOLUCIÓN

Estamos tomando una muestra de tamaño , de una población donde la

proporción de pasteles defectuosos es de . Podemos usar las Distribución

Muestral de Proporciones, que se ajusta a una
normal

En nuestro ejemplo, si sustituimos los valores de P y N, sería

a)

Se ha tipificado la variable y se ha hecho uso de la tabla de la N(0,1)

16
 DISTRIBUCIÓN DE MUESTREO DE DIFERENCIAS Y SUMAS

Si son dos poblaciones, para cada muestra de tamaño N1 de la primera calculamos un

estadístico S1, eso da una distribución de muestreo para S1 con media y desviación
típica denotaremos por µs1 y σs1. De la misma forma para la muestra S2. De estas
podemos obtener distribuciones diferentes S1 – S2 que se llama distribución de
muestreo de las diferencias de los estadísticos. La media y la desviación típica de
esta distribución de muestreo denotadas por µs1 – s2 y σs1 – s2 vienen dadas por µs1 – s2

= µs1 – µs2 y σs1 – s2 = √σ2s1 + σ2s2 supuesto que las muestras escogidas no dependan
en absoluto una de otra.

EJEMPLO
Si S1 y S2 son las medias muestrales de ambas poblaciones con medias
denotaremos por X1 y X2 respectivamente, entonces la distribución de muestreo de
las diferencias de medias viene dada para poblaciones infinitas con medias y
desviaciones típicas (µ1, σ1) y (µ2, σ2) por µx1 – x2 = µx1 – µx2 = µ1 – µ2, y σx1 – σx2 =
σ21 σ22
√σ2X1 + σ2X2 = √ + usando las ecuaciones. El resultado también es válido
N1 N2

para poblaciones finitas si el muestreo es con reposición.

17
 ERRORES TÍPICOS

La desviación típica de una distribución de muestreo de un estadístico se suele llamar

su error típico. La siguiente tabla de muestreo aleatorio de una población infinita (o
muy grande), o de muestreo con reposición de una finita. También recoge
observaciones particulares que garantizan la validez de estos resultados y otras
notas pertinentes.

Las cantidades µ, σ, p y X, s, P denotan las medias de la población y de su

muestra las desviaciones típicas respecto de la media. Hay que hacer notar el tamaño
de la muestra, los métodos se conocen como métodos de grandes mues-tras y también
la teoría de pequeñas muestras o teoría exacta del muestreo.

18
19
 CAPÍTULO 9. TEORÍA DE LA ESTIMACIÓN ESTADÍSTICA

ESTIMACIÓN DE PARÁMETROS

Un problema importante de la inferencia estadística es la estimación de parámetros

de la población o brevemente parámetros de los correspondientes estadísticos
muestrales, o simplemente estadísticos.

EJEMPLO

1. La estimación de parámetros consiste en el procedimiento que permite

establecer la media de una población y sus características.
2. Con una muestra aleatoria de tamaño n se puede desarrollar la estimación de
un parámetro de la población.
3. El intervalo de confianza es donde se determina en qué lugar está un
parámetro.

20
 ESTIMACIÓN SIN SESGO

Si la media de las distribuciones de muestreo de un estadístico es igual que la del

correspondiente parámetro de la población el estadístico se llama un estimador sin
sesgo del parámetro, si no se llama un estimador sesgado. Los valores de estos
estadísticos se llaman estimaciones sin sesgo y sesgados.

Por ejemplo la media de las distribuciones de muestreo de medias µXeµ, la

media de la población, por tanto la media muestral X es una estimación sin sesgo de
la media de la población µ. Otro ejemplo es la media de las distribuciones de muestreo
𝑁−1
de varianza es µ𝑠2 = σ2 donde σ2 es la varianza de la población y N es el
𝑁

tamaño de la muestra. Así la varianza de la muestra s2 es una estimación sin sesgo

𝑁
de σ2 . La varianza modificada queda de esta forma s2 = s2 encontramos µ𝑠2 =
𝑁−1

σ2 , de manera que s2 es una

estimación sin sesgo de σ2 .
Sin embargo s es una
estimación sesgada de σ.

EJEMPLO

La media de las distribuciones de muestreo de medias e, media de la población. Por

lo tanto, la media muestral es una estimación sin sesgo de la media de la población.

21
 ESTIMACIÓN EFICIENTE

Si las distribuciones de muestreo de dos estadísticos tienen la misma media o

esperanza el de menor varianza se llama un estimador eficiente de la media, mientras
que el otro se llama un estimador ineficiente. Los valores correspondientes de los
estadísticos se llaman estimación eficiente e estimación ineficiente. Si consideramos
todos los posibles estadísticos cuyas
distribuciones de muestreo tiene la
misma media, aquel de varianza mínima
se llama a veces el estimador de máxima
eficiencia o el mejor estimador.

EJEMPLO
Las distribuciones de muestreo de media y mediana tienen ambas la misma media, a
saber, la media de la población. Sin embargo, la varianza de la distribución
de muestreo de medias es menor que la varianza de la distribución de muestreo de
medianas. Por tanto, la media muestral da una estimación eficiente de la media de la
población, mientras la mediana de la muestra da una estimación ineficiente de ella.

De todos los estadísticos que estiman la media de la población, la media muestral

proporciona la mejor (la más eficiente) estimación.

En la práctica, estimaciones ineficientes se usan con frecuencia a causa de la relativa

sencillez con que se obtienen algunas de ellas.

22
ESTIMACIONES DE PUNTO Y ESTIMACIONES DE INTERVALO; SU FIABILIDAD

Una estimación de un parámetro de la población dada por un solo número se llama

una estimación de punto del parámetro. Una estimación de un parámetro de la
población dada por dos números entre los cuales se puede considerar encajado al
parámetro, se llama una estimación de intervalo del parámetro. La estimación de
intervalo indican la precisión de una estimación y son por tanto preferibles a las
estimaciones de punto. El margen de error o la precisión de una estimación nos
informan su fiabilidad.

EJEMPLO

Si decimos que una distancia se ha medido como 5.28 metros, estando dando una
estimación de punto. Por otra parte si decimos que la distancia es 5.28+
- 0.03

metros, estamos dando una estimación de intervalo.

El margen de error o la percepción de una estimación nos informa su fiabilidad.

23
 ESTIMACIONES DE INTERVALO DE CONFIANZA PARA PARÁMETROS DE
POBLACIÓN

Si µs y σs la media y la desviación típica (error típico) de la distribución de muestreo

de un estadístico S. Entonces si la distribución de muestreo de S es aproximada-mente
normal podemos esperar hallar un estadístico muestral real S que este en los
intervalos µs – σs a µs + σs, µs – 2σs a µs + 2σs, o µs – 3σs µs + 3σs alrededor del
68.27%, 95.45% y 99.73% del tiempo, respectivamente.

De forma equivalente podemos esperar hallar (podemos estar confiados en

encontrar) µs en los intervalos alrededor del 68.27%, 95.45% y 99.73% del tiempo
respectivamente, por esta razón llamamos a esos respectivos intervalos los intervalos
de confianza 68.27%, 95.45% y 99.73% para estimar µs. Los números extremos de estos
intervalos se llaman entonces los límites de confianza o limites fiduciales.

El porcentaje de confianza se le suele llamar nivel de confianza, los números en

los límites de confianza se llaman coeficientes de confianza o valores críticos y se
denotan por zc de los niveles de confianza podemos deducir los coeficientes de
confianza y viceversa. La siguiente tabla muestra los valores de zc correspondientes
a varios niveles de confianza usados en la práctica.

24
 INTERVALOS DE CONFIANZA PARA LAS MEDIAS

Si el estadístico S es la media X de la muestra, entonces los limites 95% y 99% para

estimar la media µ de la población vienen datos X -+ 1.9σ X -+ 2.58σX
respectivamente. Más en general los límites de confianza para estimar la media µ de
la población viene dados por X -+ zc σX , donde zc se puede leer en la primer tabla
usando los valores σX obtenidos en el capítulo 8 donde vemos como se mide la media
de la población.

INTERVALOS DE CONFIANZA PARA PROPORCIONES

Si el estadístico S es la proporción de éxitos en una muestra de tamaño N sacada de

una población binominal en la que p es la proporción de éxitos, entonces los límites de
confianza para p vienen dados por P-+ zc σP , donde P es la proporción de éxitos en

25
la muestra de tamaño N. Usando los calores de σP obtenidos en el capítulo 8 vemos
los límites de confianza para la proporción en la población vienen dados por
𝑝𝑞 𝑝(1− 𝑞)
P-+ zc √ = P-+ zc √ si el muestreo es de una población infinita o finita
𝑁 𝑁

𝑝𝑞 𝑁𝑝 − 𝑁
con reposición y por P-+ zc √ zc √ , si el muestreo es de una población
𝑁 𝑁𝑝 − 1

finita de tamaño 𝑁𝑝 y sin reposición.

INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS

Si S1 y S2 son dos estadísticos muestrales con distribuciones de muestreo aproxima-

damente normales los límites de confianza para la diferencia de los parámetros de
población correspondientes a S1 y S2 vienen dados por S1 - S2 +
- zc σS1 - S2 = S1 - S2
+
-
2 2
zc √𝜎𝑠1 + 𝜎𝑠2 , mientras que los límites de confianza para la suma de los

26
 + +
parámetros de población vienen dados por S1 + S2 - zc σS1 + S2 = S1 + S2 -
2 2
zc √𝜎𝑠1 + 𝜎𝑠2 , supuesto que las muestras sean independientes.

EJEMPLO

Los límites de confianza para la diferencia de dos poblaciones en el caso de poblaciones

𝜎12 𝜎22
infinitas se calculan como X1 - X2 +
- zc σX1 - X2 = X1 - X2
+
- zc √ + , donde
𝑁1 𝑁1

X1, σ1, N1 y X2, σ2, N2 son las respectivas medias, desviaciones típicas y tamaños de
las dos muestras sacadas de las poblaciones. De forma similar los límites de confianza
para la diferencia de dos proporciones poblacionales con poblaciones infinitas.

INTERVALOS DE CONFIANZA PARA DESVIACIONES TÍPICAS

Los límites de confianza para la desviación típica σ de una población normalmente

distribuida estimados con una muestra con desviación típica s, viene dados por
𝜎
S-+Zc σs = S-+ Zc , al calcular estos límites de confianza usamos s para estimar
√2𝑁

σ.

EJEMPLO
La estatura media de los alumnos de primaria de una ciudad. Supongamos también
que extraemos una muestra aleatoria simple de tamaño “n” en la que obtenemos un
valor concreto para la media muestral. Sabemos que si la población de partida es
normal o el tamaño de la muestra es mayor de 30, la distribución en el muestreo de
las medias muestrales sigue una normal de parámetros:

27
En esta distribución pueden calcularse los valores que encierran una probabilidad de

Simplemente mirando y deduciendo en la tabla de la normal N(0,1)

ERROR PROBABLE

Los límites de confianza 50% de los parámetros de población correspondientes a un

estadístico S vienen dados por S (+ -) 0.6745σs se conoce como el error probable de
la estimación,

28
 CONCLUSIÓN

En la presente investigación de lo que vemos principalmente sobre la teoría del

muestreo, en la que vemos la teoría básica del muestreo y la teoría de la estimación
estadística, hemos aprendido la información básica necesaria para aprender y aunque
son cosas que usamos o usaremos en nuestro día a día. Los temas son menos conocidos
y no tan detallados como lo que se puede aprender de este resumen y las
interpretaciones hechas y de las cuales su utilidad y uso correcto se aprenden y
comprenden juntos, lo que genera interés en aprender más de estos de lo que es
importante obtener de este informe. porque sin interés en aprender no se puede
aprender y por eso es lo más importante que se ha obtenido, que además nos enseña
información más difícil y tratando de entenderla al leer y escribir de este tema.

En pocas palabras entendimos que la teoría elemental del muestreo estudia la

relación entre una población y las muestras tomadas de ella, y la teoría de la
estimación estadística permite predecir con precisión lo que ocurre en la población
mediante la información aportada por individuos de una muestra extraída al azar de
dicha población.

29
 REFERENCIAS

 Seymour Lipschutz. (1991). Probabilidad. Recuperado el 15 de noviembre de 2021

https://instectapachula-
my.sharepoint.com/:b:/g/personal/ren_de_tapachula_tecnm_mx/ER2fk7SqSz
pHjlFa42dOOeIB9o02v7H7g5KDyEHXsgZ8jw?e=mKlJnl

30
 PARÁFRASIS

La teoría del muestreo estudia la relación entre un conjunto y las muestras extraídas
de él su uso es para estimar cantidades desconocidas de una polación como la media
y la varianza se denominan parámetros de polación las muestras aleatorias son donde
cada miemro de la polación tiene la misma proailidad de Al estar incluidos en la
muestra los números aleatorios son un método alternativo que implica el uso de una
tala especialmente construida. El muestreo con reemplazo es cuando un ganador
puede regresar a una lotería incluso si la ha aandonado y el muestreo sin reemplazo
es cuando ya no está incluido en esa lotería. La distriución muestral es una distriución
de la estadística tomada para calcular una estadística que varía de una muestra a
otra y la distriución muestral de las medias cuando tratamos cada una de esas medias
como valores de una variale aleatoria podemos estudiar su distriución que es decir
cada muestra de tamaño n que podemos extraer de una polación proporciona la media
la distriución muestral proporcional es cuando de un número infinito de polaciones el
éxito de la polación se calcula como una proporción la distriución muestral de las
diferencias y la suma es si para dos polaciones para las cuales para cada muestra se
toma de la primera polación Puede haer una estadística en la primera que da como
resultado una distriución de la muestra con la media y la desviación estándar
registradas de la misma manera para cada muestra de la segunda polación un El
estadístico se otiene con m valores medios. la media y la desviación estándar
correspondiente De la unión de las dos muestras la distriución de diferencias

31
finalmente en este capítulo 8 teoría de muestreo donde tenemos los errores estándar
es cuando el desviación estándar de la distriución muestral d un estadístico en la tala
que hemos visto en el resumen podemos ver cuáles son estos errores estándar y cómo
se conocen.

Del capítulo 9 que es la teoría de la estimación estadística hemos visto qué es la

estimación paramétrica es una cuestión importante de inferencia estadística que
sirve como parámetro para la estadística muestral correspondiente tamién tenemos
un estimador insesgado que es un distriución muestral de una estadística similar a
la del parámetro de polación correspondiente si no se llama al estimador sesgado los
valores de estas estadísticas se denominan estimaciones insesgadas e insesgadas
estimador eficiente es cuando la distriución muestral de dos estadísticas una con
menor la varianza tiene la misma media o expectativa mientras que el otro se llama
estimador pore eficiente los valores correspondientes de la estadística se denominan
estimaciones eficientes e ineficientes la estimación puntual es una estimación de un
parámetro de polación dado por un número y el la estimación de intervalo es una
estimación. el parámetro de mación de polación viene dado por dos números entre los
cuales el parámetro puede considerarse anidado su confianza expresada como el
margen de error o la precisión de una estimación las estimaciones de Un intervalo de
confianza para valores de polación de parámetro es un rango de valores derivado
del estadístico muestral que puede incluir el valor de un parámetro polacional
desconocido que deido a su naturaleza aleatoria no es proale que dos muestras de
una polación produzcan el mismo intervalo de confianza continuamos con un intervalo
de confianza para la media donde el estadístico es la media de las muestras dentro

32
del límite para estimar la media de la polación de la que provienen los datos luego los
intervalos de confianza para las razones si el estadístico es la tasa de éxito en una
muestra de tamaño N extraída de una polación inomial donde p es la tasa de éxito ès
entonces estos p límites de confianza vienen dados por estos datos otro de los s
intervalos es el intervalo de confianza para la diferencia siendo dos estadísticas de
muestra con una distriución aproximadamente normal de la muestra. la dirección de
los respectivos parámetros polacionales y los intervalos de confianza para la suma
como se asume que los parámetros polacionales son independientes y finalmente
continuamos con el intervalo de confianza para la norma la desviación proveniente de
un conjunto se estima la distriución normal con una muestra de una desviación
estándar utilizada para calcular los límites de confianza que usamos para estimar
estos datos y como sutema final tenemos un posile error sucede que los 50 límites
de confianza de los parámetros de polación correspondientes a un estadístico S dado
se denominan el error proale de el estimado.

33