Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GRADO EN CRIMINOLOGÍA
1
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
Unidad didáctica.
INDICE
I. PRESENTACION ................................................................................................... 3
II. OBJETIVOS. ....................................................................................................... 4
III. ESQUEMA ......................................................................................................... 5
IV. CONTENIDO ...................................................................................................... 6
1. Introducción ............................................................................................. 6
2. Definición de estadística .............................................................................. 6
3. Clasificación de los fenómenos. ..................................................................... 6
4. Áreas de la estadística................................................................................. 7
5. El teorema central del límite (TCL)................................................................. 9
6. Definición de la Desviación Típica de la media o error muestral ........................... 10
V. RESUMEN ........................................................................................................ 11
VI. GLOSARIO ...................................................................................................... 12
VII. BIBLIOGRAFIA................................................................................................. 13
VIII. ACTIVIDADES ................................................................................................. 14
IX. ANEXOS ......................................................................................................... 17
2
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
I. PRESENTACION
En esta unidad didáctica nos ocuparemos de introducir al alumnado a la inferencia estadística. Así,
además de diferenciar entre la estadística inferencial y la descriptiva, nos adentraremos en
justificar la importancia de la primera sobre la segunda, ya que permite extrapolar resultados de
muestras a poblaciones. Para ello, también explicaremos la Teoría Central del Límite, clave para
que la estadística inferencial sea una herramienta clave para cualquier investigador/a.
Por tanto, este tema es introductorio de las técnicas que se verán en el resto del temario de la
asignatura.
3
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
II. OBJETIVOS.
4
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
III. ESQUEMA
Estadística
Descriptiva
ESTADÍSTICA
Estadística Teorema Central
Inferencial del Límite
5
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
IV. CONTENIDO
1. Introducción
2. Definición de estadística
El término estadística procede del latín «status» ya que sus inicios se relacionan con la recogida y
cuantificación de la información referente al Estado, en situaciones tan diversas como las relativas
a cosechas, ganados, censos, etc.
Según la Real Academia Española, la Estadística es la rama de las matemáticas que utiliza grandes
conjuntos de datos numéricos para obtener inferencias basadas en el cálculo de probabilidades.
Es fácil observar que un gran número de los fenómenos que ocurren a nuestro alrededor presentan
resultados diferentes a pesar de producirse en las mismas situaciones.
En este sentido, podemos decir que los fenómenos que se presentan en la naturaleza pueden ser de
dos tipos:
Ejemplo
6
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
Ejemplo
Resultado obtenido al lazar un dado, resultado de una encuesta realizada a unos clientes.
Los únicos fenómenos que tiene sentido analizar en Estadística son los del segundo grupo,
denominados aleatorios, estocásticos o estadísticos.
4. Áreas de la estadística.
Cuando queremos estudiar un fenómeno aleatorio para una población, lo más habitual es que no
conozcamos su modelo teórico, pero sí que podamos observar dicho fenómeno, tomar una muestra y
utilizar la información proporcionada por la muestra. Esta es la principal función de la estadística
inferencial: extraer conclusiones de muestras para poblaciones.
7
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
La Estadística Inferencial o Inferencia Estadística se encuentra formada por dos grandes áreas:
• Estimación:
‐ Puntual: Asigna al parámetro poblacional (θ), un único valor aproximado, que depende
de la muestra.
Hemos dicho ya que el objetivo de nuestro estudio es poder extender a la población lo que
obtengamos de una muestra. Imaginemos que de la población formada por todos los alumnos del
instituto, extraemos aleatoriamente una muestra de 40 alumnos, y les preguntas por su edad,
encontrando que la edad media obtenida es de 15,8 años.
Pero, ¿qué ocurriría, si extrajéramos otra muestra? ¿Coincidirían las medias? ¿Y coincidirían con la
media de la población? Lo cierto es que parece lógico pensar que, aunque no tengan por qué
coincidir, si deberían estar bastante próximas. Pero, ¿cuánto de próximas?, ¿dependería esta
proximidad del tamaño de las muestras que elegimos? Estas preguntas serán contestadas por los
diferentes procedimientos de la estadística inferencial.
Parece necesario que estudiemos la variabilidad de las medias obtenidas de las muestras que
repetidamente se extraigan. Ello es lo que nos proponemos realizar con el análisis estadístico
inferencial.
8
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
Una cuestión fundamental, en la que se basa la estadística inferencial, es en el Teorema Central del
Límite.
Podemos imaginar que tienes una población con media µ y desviación típica y que extraes
aleatoriamente todas las posibles muestras, todas ellas de tamaño n. Si se obtuvieran las medias de
todas estas muestras, y las consideráramos una distribución de datos (la distribución muestral de
medias), comprobarías que:
La media de los datos, es la media µ de la población, es decir la media de las medias de las
muestras, es igual que la media de la población.
Estas medias se distribuyen alrededor de la media de la población, con una desviación típica
(llamada desviación típica de la media) igual a la de la población dividida por la raíz de n,
es decir, la desviación típica de la media es:
La distribución de las medias muestrales, es una distribución de tipo "normal", siempre que
la población de procedencia lo sea, o incluso si no lo es, siempre que el tamaño de las
muestras sea 30 o mayor.
9
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
Cuanto menor sea, más ajustadas a la media de la población serán las medias que obtengamos de
una muestra. De su propia definición, es fácil darse cuenta de que cuanto mayor es el tamaño de la
muestra, menor es este grado de variabilidad, y por tanto más similar a la media de la población
será la media obtenida de la muestra.
Con ello, tendremos una primera aproximación a la estadística inferencial. Estos procedimientos
que observaremos en esta asignatura son vitales para, posteriormente, poder realizar análisis
multivariantes.
10
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
V. RESUMEN
En esta unidad nos hemos introducido en el análisis estadístico inferencial, prestando atención a su
utilidad respecto a la estadística descriptiva y al papel clave del Teorema Central del Límite.
Aparte, hemos presentado los contenidos que se verán en siguientes temas de esta asignatura.
11
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
VI. GLOSARIO
Teorema Central Teoría que establece que la distribución de la media, o de las sumas, de
del Límite diferentes valores da como resultado una distribución normal.
12
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
VII. BIBLIOGRAFIA
Bibliografía Básica:
Amón, Jesús (1988): Estadística para Psicólogos 2 , Sexta edición, Madrid: Pirámide.
Peña, Daniel y Juan Romo (2003): Introducción a la estadística para las ciencias sociales, Madrid:
MC Graw Hill.
Rodríguez Morales, Jose Miguel (2007): Inferencia Estadística. Instituto Nacional de Tecnologías
Educativas y de Formación del Profesorado: Madrid. Recuperado de
(http://ntic.educacion.es/w3//eos/MaterialesEducativos/mem2001/estadistica/index2.htm)
Bibliografía complementaria:
13
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
VIII. ACTIVIDADES
A continuación se exponen una batería de preguntas tipo test en las que solamente hay una solución
correcta (soluciones más abajo).
1. La estadística es…
a. Una rama de las matemáticas que utiliza unos pocos datos para hacer únicamente
análisis descriptivos.
b. Una rama de las matemáticas que utiliza grandes conjuntos de datos numéricos para
obtener inferencias basadas en el cálculo de probabilidades.
c. Una rama de las matemáticas que utiliza unos pocos datos para hacer únicamente
análisis de las muestras, sin extrapolar a la población.
2. ¿Cuáles son los fenómenos que pueden ser analizados por al estadística?
a. Estocásticos.
b. Aleatorios
c. Ambas respuestas son correctas.
14
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
15
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
Pregunta 1. B)
Pregunta 2. C)
Pregunta 3. C)
Pregunta 4. A)
Pregunta 5. B)
Pregunta 6. A)
Pregunta 7. C)
Pregunta 8. A)
Pregunta 9. B)
Pregunta 10. A)
16
BLOQUE II. TEMA 1
Principios generales de la inferencia estadística
IX. ANEXOS
17
ASIGNATURA
ESTADÍSTICA APLICADA
BLOQUE II. TEMA 2
El muestreo
GRADO EN CRIMINOLOGÍA
1
BLOQUE II. TEMA 2
El muestreo
Unidad didáctica.
INDICE
I. PRESENTACION ..................................................................................................... 3
II. OBJETIVOS. ........................................................................................................ 4
III. ESQUEMA .......................................................................................................... 5
IV. CONTENIDO ....................................................................................................... 6
1. Población y muestra .................................................................................... 6
2. Tipos de muestreo....................................................................................... 9
3. Sesgos del muestreo ................................................................................... 23
V. RESUMEN .......................................................................................................... 25
VI. GLOSARIO......................................................................................................... 26
VII. BIBLIOGRAFIA ................................................................................................... 27
VIII. ACTIVIDADES ................................................................................................... 28
IX. ANEXOS ........................................................................................................... 31
Anexo 1. Tabla de Números Aleatorios ........................................................................ 31
2
BLOQUE II. TEMA 2
El muestreo
I. PRESENTACION
En esta unidad didáctica nos ocuparemos de analizar cómo seleccionar una muestra a partir de una
población. Esta cuestión es importante en los estudios sobre psicología y salud, pues habitualmente
no es posible entrevistar a todos los miembros de una población, por lo que se suele recurrir al
empleo de muestras de la misma.
Los contenidos que se verán en esta unidad didáctica serán las diferencias entre muestra y
población, así como las características de los diferentes tipos de muestreo probabilísticos y no
probabilísticos. Por último, también se prestará especial atención a los posibles sesgos que pueden
ocurrir en todo muestreo.
3
BLOQUE II. TEMA 2
El muestreo
II. OBJETIVOS.
4
BLOQUE II. TEMA 2
El muestreo
III. ESQUEMA
MUESTREO
5
BLOQUE II. TEMA 2
El muestreo
IV. CONTENIDO
1. Población y muestra
Los acontecimientos en que existe incertidumbre siempre han preocupado al hombre. Todo el
mundo querría saber cuántos años vivirá, cuántos hijos procrearán, si padecerán malformaciones, si
lloverá antes de que se agote la cosecha, cual es la prevalencia de una determinada enfermedad,
etc.
Antes de comenzar, es necesario aclarar varios conceptos clave para comprender la posterior
exposición de los tipos de muestreo y sus características.
La Muestra es el conjunto de las n unidades de análisis (de muestreo, casos) seleccionadas entre las
N unidades de la población. Esa selección ha de ser lo suficientemente reducida para que pueda ser
examinado con un coste razonable y lo suficientemente amplio para que pueda representar
adecuadamente las propiedades colectivas de la población. A partir de ella estimamos los
parámetros de la población. La estimación solo nos da un valor aproximado del parámetro, que es
un valor exacto.
6
BLOQUE II. TEMA 2
El muestreo
Para ver la diferencia entre muestra y población pueden observar la siguiente figura:
Población
Muestra
Tal y como se observa, la muestra forma parte de la población. La cuestión será cómo elegir una
muestra que sea lo más representativa posible respecto a la población.
El Marco muestral es una lista de elementos que componen la población que queremos estudiar y
de la cual se extrae la muestra. Estos elementos a investigar pueden ser individuos, pero también
pueden ser hogares, instituciones y cualquier otra cosa susceptible de ser investigada. Cada uno de
estos elementos presentes en el marco muestral se conoce como unidades muestrales.
7
BLOQUE II. TEMA 2
El muestreo
Como bien han explicado algunos autores (Peña y Romo, 2003:266), en la investigación social es
extremadamente habitual la selección de muestras sobre todo cuando las poblaciones son grandes.
Así, se seleccionan muestras por diversos motivos:
Porque, aunque sea viable económicamente, es inviable por el tiempo, ya que se tardaría
mucho tiempo en realizar un análisis de todos los elementos de una población y, a su vez, al
tardar tanto, el estudio es inútil ya que las sociedades están en permanente cambio.
8
BLOQUE II. TEMA 2
El muestreo
Cabe destacar que no siempre una muestra hay que medirla por el tamaño (n). Así, se pueden elegir
grandes muestras, pero con criterios de selección que hace que la selección de dicha muestra,
aunque tenga un tamaño representativo, en sus características no lo sea tanto. Así, el tamaño
muestral dependerá de cuestiones como el error de muestreo o el nivel de confianza.
2. Tipos de muestreo
Cuando las propiedades de las variables observadas en una muestra se desvían de las
correspondientes a la población, se dice que la muestra está sesgada o que tiene un sesgo (ver
último apartado de este tema).
Lo ideal es utilizar muestras que no tengan sesgo, pero a veces, por la forma en que se obtienen,
existen muestras que estás sesgadas. Por ejemplo, cuando se pregunta a través de internet por
alguna opinión, la encuesta está condicionada a personas que tienen internet y quieren contestar
dicha encuesta.
Para no incurrir en los sesgos proporcionados por estos tipos de muestreos, las técnicas estadísticas
exigen que la selección de la muestra se encomiende al azar. Pero, aún conforme en la idea de
seleccionar la muestra al azar, existen diversas maneras de proceder, unas más simples de analizar
que otras y con diversos grados de dificultad de aplicación. Es lo que denominaremos tipos de
muestreo.
Existen dos grandes tipos de muestreo que recogen a la vez subtipos. Estos dos grandes tipos de
muestreo son los probabilísticos y los no probabilísticos. Las diferencias entre ambos tipos de
muestreo las podemos encontrar en la tabla 1.
9
BLOQUE II. TEMA 2
El muestreo
Subtipos de
Tipos de muestreo Características
muestreo
Se conoce de forma
precisa la probabilidad de
selección para cada Muestreo Aleatorio
elemento, lo que se Simple
conoce como
probabilidad de inclusión.
Parece sencillo observar que el muestreo probabilístico es más adecuado que el no probabilístico.
Pero no es sencillo cumplir con los requisitos impuestos por el muestreo probabilístico. Así, es
necesario disponer de un marco muestral, cosa que es poco habitual en estudios sobre valores,
consumo de productos, etc. Además, es importante que todos los sujetos de la población puedan
tener la posibilidad de ser seleccionados, cosa que también es complicada dado que hay unidades
de la población fuera de la cobertura del marco muestral (porque no se puede acceder a ellos por
ninguna vía, por ejemplo).
10
BLOQUE II. TEMA 2
El muestreo
En la realidad, lo que se suele dar es una combinación de tipos de muestreo, como ser verá por
ejemplo en el tipo de muestreo polietápico (probabilístico), cuya selección final de unidades puede
ser mediante cuotas (no probabilístico), por ejemplo.
En una población finita (es decir, una población del que sabemos el número de sus miembros), una
muestra aleatoria simple es aquella en que cada uno de los miembros que la componen se eligen al
azar de modo que cada elemento de la población tiene, en cada ocasión, la misma probabilidad de
ser elegido. Por tanto, es un proceso que garantiza, en cualquier momento del mismo, la misma
oportunidad de ser incluidos en la muestra a todos los elementos que pertenezcan a la población en
dicho momento (Amón, 1988:200).
En la práctica, para realizar un muestreo aleatorio simple de una población, hay que contar con una
relación exhaustiva de sus miembros, que pueden suponerse numerados de 1 a N, donde N es el
tamaño de la población. Con ello, para seleccionar cada elemento de la muestra basta con
seleccionar un número entre 1 y N e incluir en la muestra dicho elemento poblacional. Si el proceso
lo repetimos n veces se obtendrá una muestra aleatoria simple de tamaño n.
11
BLOQUE II. TEMA 2
El muestreo
Las condiciones que son necesarias para que la extracción mediante un muestreo aleatorio simple
son dos (Peña y Romo, 2003):
Cada elemento de la población tiene la misma probabilidad de ser elegido. Esto asegura la
representatividad de la población en la muestra.
12
BLOQUE II. TEMA 2
El muestreo
Una muestra aleatoria sin reemplazamiento es aquella en la que cada uno de los miembros que la
componen se elige al azar de los elementos de la población que no han sido previamente incluidos
en la muestra. Es lo más habitual en investigaciones sociales, pues lo que se trata es tratar de
captar la variabilidad de los sujetos de una población y evitar repeticiones.
Sin embargo, una muestra con reemplazamiento supone que se selecciona un miembro de la
población al azar, se analiza y antes de volver a extraer otro elemento de la población incluimos el
miembro que fue extraído anteriormente. De esta forma, cada elemento de la población tiene la
misma oportunidad de ser extraído en cada extracción.
Cabe destacar que cuando la población es grande, la diferencia entre extraer una muestra con
reemplazamiento y sin reemplazamiento es muy pequeña. Por ejemplo, si de 100.000 personas
elegimos a 100, realmente es muy improbable que elijamos a una misma persona.
Para elegir una muestra aleatoria simple de una población finita se utilizan frecuentemente los
números aleatorios (Peña y Romo, 2003: 269). Una tabla de números aleatorios es un conjunto de
números dispuestos de manera que cada dígito tiene la misma probabilidad de aparecer. Pueden ver
una tabla de números aleatorios en el anexo 1.
El procedimiento para seleccionar una muestra con ayuda de una tabla de números aleatorios es
numerar los elementos de una población de 1 a N, agrupar los números aleatorios en bloques de
tantos dígitos como tenga N y tomar n números aleatorios de la tabla. El valor del número aleatorio
indicará el elemento a seleccionar (Peña y Romo, 2003:269).
La Fórmula es la siguiente:
13
BLOQUE II. TEMA 2
El muestreo
Un muestreo sistemático consiste en elegir a los miembros de una población que están ordenados en
listas. Así, la idea será en elegir los miembros de la muestra siguiendo un criterio de elección
relacionado con el orden en el que están situados los elementos.
Así, si queremos elegir a 10 personas de una población de 1000 siguiendo un muestreo sistemático,
tendremos una fracción de muestreo (porcentaje de la población que escogemos para la muestra)
de 0,01 (10/1000) y un factor de elevación (cuantos sujetos de la población representa cada sujeto
de la muestra) de 100 unidades. A continuación, se escogería un número aleatorio (por ejemplo, el
60) y a partir de ese número se escogerían el resto sumándole el factor de elevación. Así, se
obtendría una muestra de 10 unidades que serían: (60,160,260,360,460,560,660,760,860,960).
Por tanto, en el muestreo sistemático el orden en el que están dispuestos los sujetos es
fundamental, como se observa en la figura 4.
14
BLOQUE II. TEMA 2
El muestreo
Otro ejemplo es el siguiente. Al salir del cine de una película a la que han asistido 200 personas se
pretende preguntar a 10 de ellas mediante un muestreo sistemático. Entonces se elige un número al
azar entre 1 y 20 (digamos el 7) y la muestra escogida estaría formada por las personas 7, 27, 47,
67, 87, 107, 127, 147, 167 y 187.
15
BLOQUE II. TEMA 2
El muestreo
En un muestreo estratificado la población se divide en diversas capas o estratos (bien sea por
edades, por niveles de renta, por el tipo de patología que padecen, etc.) y después se selecciona
una muestra aleatoria (generalmente sin reemplazamiento) dentro de cada capa, de forma que, el
tamaño muestral total es la suma de los tamaños de estas pequeñas muestras.
En este caso, el muestreo en general es más preciso que el muestreo aleatorio simple, pues cuanto
más diferentes sean los estratos entre sí y más homogéneos sean internamente, más representativo
será utilizar el muestreo estratificado.
16
BLOQUE II. TEMA 2
El muestreo
Aun así, este muestreo tiene el problema de cómo dividir el tamaño muestral n entre los estratos.
Existen dos criterios para tal asignación (Peña y Romo, 2003:273):
Cabe destacar, por último, que para elaborar un muestreo de este tipo se necesita tener
información precisa sobre la población objeto de estudio. La distribución de la muestra en función
de los diferentes estratos se denomina afijación, y puede ser de diferentes tipos:
17
BLOQUE II. TEMA 2
El muestreo
En este caso la población está divida en bloques o conglomerados. Estos bloques o conglomerados
no son de características homogéneas dentro de cada uno, como sucede con los estratos, sino que
constituyen una representación de todos los individuos de la población.
En el Muestreo por conglomerado no se eligen elementos al azar, sino que se seleccionan al azar
algunos conglomerados. Estos conglomerados realmente son agrupaciones físicas de las unidades de
la población en el espacio o en el tiempo, pues no tienen una característica común más allá de su
agrupación espacial o temporal. Así, se basa en que cada conglomerado es una parte representativa
de la población, por lo que, a diferencia del muestreo estratificado, nos interesa que el
conglomerado sea tan heterogéneo internamente como la población y tan homogéneos entre sí
como sea posible (Peña y Romo, 2003:274).
18
BLOQUE II. TEMA 2
El muestreo
Por ejemplo, si queremos estudiar qué piensan los trabajadores/as que hay en los hospitales
españoles acerca del aborto. Los hospitales se considerarán conglomerados, pues son agrupaciones
físicas de trabajadores/as que son heterogéneos internamente (hay médicos, administrativos, etc.),
pero es esperable que cada hospital sea relativamente homogéneo con el resto (misma proporción
de médicos, administrativos/as, etc.) Así, seleccionaremos aleatoriamente los hospitales como si
fueran conglomerados.
Por ejemplo, imaginemos que queremos hacer un estudio sobre los valores y actitudes de la
población española frente al aborto. A la hora de seleccionar la muestra podemos seguir las
siguientes etapas:
Selección de una muestra estratificada de unidades primarias de muestreo (en este caso,
Comunidades Autónomas), de tal forma que cada Comunidad Autónoma sea representada
adecuadamente.
Selección de una muestra de forma aleatoria dentro de cada unidad secundaria (elegir
viviendas dentro de cada municipio de forma aleatoria).
19
BLOQUE II. TEMA 2
El muestreo
Existen otros tipos de muestro que no son probabilísticos (mirar definición al principio del tema). En
este caso, se realizan estos muestreos cuando no es posible aplicar la aleatoriedad en la selección
de la muestra por diferentes dificultades que pueden aparecer (población de difícil acceso, etc.).
Entre otras, podemos encontrar el muestreo por cuotas, el intencional o la bola de nieve.
Se basa en que se conocen los estratos de la población y de los individuos más representativos. Se
mantiene de esta forma la semejanza con el muestreo estratificado, pero sin cumplir la
aleatoriedad, dado que se fijan cuotas de individuos que cumplen determinados requisitos. Por
ejemplo, se quieren elegir 20 sujetos de una población. Se conoce que el 50% son hombre sy el 50%
mujeres. Si los primeros 10 sujetos que se seleccionan son hombres, ya la cuota d ehombres está
cerrada, por lo que sólo podríamos seleccionar a mujeres (descartando los hombres que aparezcan).
Se trata de seleccionar de una población sujetos que son típicos y a su vez que tienen fácil acceso.
Por ejemplo, si un profesor que quiere pasar un test emocional a alumnado de su Universidad, lo
pasará a los miembros de las asignaturas en las que imparta docencia, sin importar que haya otros
alumnos/as de otras asignaturas, rompiendo la aleatoriedad.
Se trata de localizar a individuos de una población que a su vez hace que consigamos otros
individuos de esa población y así sucesivamente. Este muestreo se aplica en los casos en que existen
muchas dificultades para localizar a los miembros de una población: personas con una determinada
enfermedad, delincuentes, colectivos que realizan actividades ilegales, etc.
Como tabla resumen, en la tabla 2 encontramos la descripción de los tipos de muestreo, con sus
ventajas e inconvenientes.
20
BLOQUE II. TEMA 2
El muestreo
21
BLOQUE II. TEMA 2
El muestreo
22
BLOQUE II. TEMA 2
El muestreo
Existen cuestiones que pueden hacer que el procedimiento de muestreo para obtener una muestra
haga que la muestra seleccionada no sea representativa de la población. En este caso, siguiendo a
Peña y Romo (2003,267), encontramos dos sesgos muy habituales: el sesgo de selección y el sesgo
por no respuesta.
Sesgo de selección
Cuando algunos miembros de la población tienen una probabilidad más alta que los otros de estar
representados en una muestra se dice que existe el sesgo de selección. Ello implica que la muestra
no es representativa, esto es, que en el marco muestral las unidades de población no tienen la
misma probabilidad de ser seleccionados. Por ejemplo, si en una población hay un 50% de hombres y
un 50% de mujeres; al seleccionar la muestra encontramos un 70% frente a un 30%, se dice que la
muestra no es representativa.
Se puede evitar el sesgo de selección dividiendo la población en estratos para que la muestra se
ajuste más a la población.
Sesgo de no respuesta
La muestra que comienza siendo probabilística puede terminar no siéndolo por dos causas: a) Falta
de contacto con los sujetos seleccionados porque no se ha podido acceder a los mismos por
cuestiones como cambios de domicilio, cambios de número de contacto, etc. b) Rechazo de los
sujetos seleccionados a ser entrevistados (no respuesta total) o a contestar determinadas preguntas
(no respuesta parcial).
23
BLOQUE II. TEMA 2
El muestreo
Una posible solución para evitar los sesgos (sobre todo de selección) es la Ponderación. Este es el
procedimiento por el que se modifica artificialmente la composición de la muestra para hacerla más
próxima a la distribución real de la población.
De forma general, la ponderación consiste en asignar a cada caso un peso (o factor de ponderación)
que modifica su contribución al resultado general de la muestra. Por ejemplo, para solucionar el
sesgo de selección en el ejemplo anterior de mujeres y hombres, sería conveniente que en la
muestra recogida se pondere a la baja la población de hombres (es un 70% de la muestra cuando
debería de ser un 50%) y ponderar al alza la de mujeres (es un 30% en la muestra cuando debería de
ser un 50%).
Cabe destacar que el procedimiento de ponderar no soluciona directamente los sesgos de selección
y de no respuesta, si bien puede aminorar en parte los efectos del sesgo de selección.
24
BLOQUE II. TEMA 2
El muestreo
V. RESUMEN
En esta unidad nos hemos introducido en cómo seleccionar muestras a partir de poblaciones
concretas para que éstas sean representativas de la misma. Además, hemos visto procedimientos de
muestreo probabilísticos y no probabilísticos, con ejemplos concretos que podrían darse en la
realidad
Por último, se han presentado los posibles sesgos más comunes en la aplicación de técnicas de
muestreo, así como posibles medidas para tratar de evitarlos en la medida de lo posible.
25
BLOQUE II. TEMA 2
El muestreo
VI. GLOSARIO
Muestreo en que cada uno de los miembros que la componen se eligen al azar
Muestreo Aleatorio de modo que cada elemento de la población tiene, en cada ocasión, la misma
Simple
probabilidad de ser elegido.
Muestreo en el que se divide en diversas capas o estratos (bien sea por edades,
Muestreo por niveles de renta, por el tipo de patología que padecen, etc.) y después se
Estratificado
selecciona una muestra aleatoria
Muestreo Muestreo que consiste en elegir a los miembros de una población que están
Sistemático ordenados en listas.
Muestreo por azar algunos conglomerados. Estos conglomerados realmente son agrupaciones
Conglomerados físicas de las unidades de la población en el espacio o en el tiempo, pues no
tienen una característica común más allá de su agrupación espacial o temporal.
26
BLOQUE II. TEMA 2
El muestreo
VII. BIBLIOGRAFIA
Bibliografía Básica:
Amón, Jesús (1988): Estadística para Psicólogos 2 , Sexta edición, Madrid: Pirámide.
Otzen, Tamara H. y Carlos Manterola (2017). “Técnicas de muestreo sobre una población a estudio”.
Int. J. Morphol., Vol. 1, n. 35, 227-232.
Peña, Daniel y Juan Romo (2003): Introducción a la estadística para las ciencias sociales, Madrid:
MC Graw Hill.
Bibliografía complementaria:
Corbetta, Piergiorgio (2007): Metodología y técnicas de investigación social, Madrid: McGraw Hill
27
BLOQUE II. TEMA 2
El muestreo
VIII. ACTIVIDADES
A continuación se exponen una batería de preguntas tipo test en las que solamente hay una solución
correcta (soluciones más abajo).
28
BLOQUE II. TEMA 2
El muestreo
29
BLOQUE II. TEMA 2
El muestreo
Pregunta 1. B)
Pregunta 2. A)
Pregunta 3. A)
Pregunta 4. B)
Pregunta 5. A)
Pregunta 6. C)
Pregunta 7. C)
Pregunta 8. A)
Pregunta 9. A)
Pregunta 10. B)
30
BLOQUE II. TEMA 2
El muestreo
IX. ANEXOS
86 15 94 27
35 84 66 80
73 42 92 19
90 36 76 63
1 31 47 7
29 4 75 54
72 45 57 5
65 65 90 25
25 19 48 47
39 72 61 62
59 38 79 29
96 31 39 52
32 35 29 54
44 39 66 43
71 20 31 69
44 86 6 24
76 34 27 42
37 51 59 47
58 30 6 4
3 62 75 10
74 30 10 76
93 23 39 47
57 42 43 95
32 69 37 5
78 40 71 90
31
ASIGNATURA
Unidad didáctica.
INDICE
I. PRESENTACION ................................................................................................................ 3
II. OBJETIVOS. .................................................................................................................... 4
III. ESQUEMA ...................................................................................................................... 5
IV. CONTENIDO ................................................................................................................... 6
1. Introducción .......................................................................................................... 6
2. Definición de un estimador ....................................................................................... 6
3. Estimación puntual de parámetros .............................................................................. 9
4. Estimación por intervalos de confianza ....................................................................... 10
5. Estimación de intervalos de confianza para la media ...................................................... 15
6. Intervalos de confianza para proporciones ................................................................... 21
7. Intervalos de confianza para una variable Poisson .......................................................... 25
8. Intervalos de confianza con dos poblaciones independientes ............................................ 28
VI. GLOSARIO .................................................................................................................... 33
VII. BIBLIOGRAFIA .............................................................................................................. 34
VIII. ACTIVIDADES ............................................................................................................... 35
IX. ANEXOS ....................................................................................................................... 39
Anexo 1. Intervalos de confianza para una población .................................................................. 39
Anexo 1. Intervalos de confianza para dos poblaciones independientes ........................................... 40
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
I. PRESENTACION
En esta unidad didáctica se expondrá cómo estimar los parámetros poblacionales a partir de estimadores
muestrales. Para ello, se propondrán dos tipos de cálculos de dichos parámetros: la estimación puntual y la
estimación por intervalos.
Para que los resultados de una investigación en psicología sean válidos, es vital poder saber qué error
cometemos al inferir resultados para la población a partir de una muestra, pues ello nos indicará la fiabilidad
que tiene los resultados obtenidos de una selección de individuos de una población a la hora de estimar cómo
se comporta la totalidad de una población.
Los contenidos que se verán en esta unidad didáctica serán la estimación puntual y por intervalos de confianza
tanto para las proporciones como para las medias muestrales, así como también nos detendremos en cómo
calcular tamaños muestrales para errores concretos.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
II. OBJETIVOS.
‐ Conocer cómo realizar la estimación puntual de parámetros poblacionales, tanto para la media como
para la proporción.
‐ Conocer cómo estimar los intervalos de confianza para la media y para las proporciones, así como
conocer las diferentes variantes según si se conoce o no la cuasi-varianza muestral o la varianza
poblacional.
‐ Introducirnos en la estimación de intervalos de confianza sobre dos poblaciones independientes.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
III. ESQUEMA
Estimación de
parámetros
Estimación
puntual Estimación por intervalos
de confianza
Sobre una
población
(Media,
Varianza, Sobre dos
proporciones) poblaciones
independientes
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
IV. CONTENIDO
1. Introducción
Una de las funciones principales de la estadística es realizar inferencias de las poblaciones (sus
parámetros) a través de las muestras extraídas de aquellas (a través de los estimadores).
En este tema veremos la estimación por intervalos, ya que trataremos de estimar un único valor
(parámetro) a través de los datos ofrecidos por una muestra.
2. Definición de un estimador
Un estimador es un estadístico (es decir, es una función de la muestra) usado para estimar un
parámetro desconocido de la población.
Las estimaciones puntuales de los parámetros se obtienen a partir de una muestra aleatoria simple
(X1, X2… ; Xn) de la variable X. Si calculamos el valor del estimador a partir de distintas muestras, los
resultados que obtendremos serán diferentes.
Por tanto, Se dispone de una muestra aleatoria (n) de una característica X de la población objeto de
estudio. Si esta característica puede ser modelizada mediante un modelo de probabilidad el cual
tiene función de masa Pθx (si nos encontramos en el caso discreto), o Fθ(x) (si nos encontramos en el
caso continuo), nuestro objetivo será conocer el valor del parámetro o parámetros desconocidos que
representamos por θ, es decir, encontrar estimaciones puntuales de dicho parámetro desconocido.
Es decir, los estimadores, al estar construidos a partir de muestras aleatorias, son aleatorios y en
consecuencia, tienen una distribución. La distribución de los estimadores se denomina distribución en
el muestreo.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
Como ya se ha advertido, para un estadístico pueden existir diversos estimadores con el que
calcularlos. Se asemeja a una diana: el centro de la diana es el parámetro que debemos acertar y los
impactos alrededor son los estimadores realizados.
Medias muestrales
Por tanto, existen unos estimadores mejores y otros peores. Para saber cuál elegir, es importante que
un estimador cumpla una serie de propiedades como son las siguientes (Amón, 2003,245-248):
2
Por ejemplo, si (X1… ; Xn) es una muestra aleatoria de una población n, con esperanza µ y varianza
entonces, si consideramos que el estimador cumple las propiedades anteriores:
En este apartado se observarán los cálculos más habituales de los estimadores cuando se estiman de
forma puntual. Mediante esta operación, Cuando asignamos al parámetro poblacional desconocido el
valor numérico que toma el estadístico para una determinada muestra, decimos que dicho estadístico
es un estimador del parámetro poblacional.
Veremos los cálculos más importantes para estimar de forma puntual una proporción (cuando el
parámetro sigue una distribución Binomial (n, p)) y las medias y desviaciones típicas (cuando el
parámetro sigue una distribución Normal N(0,1))
El valor obtenido al aplicar el estimador puntual a los datos de la muestra es la estimación puntual
del parámetro poblacional.
Sin embargo, aunque la estimación puntual proporciona un valor aproximado para el parámetro
poblacional θ, no informa sobre la precisión con la que se estima el parámetro. Además, si tenemos
dos muestras extraídas de una misma población, es bastante probable que las estimaciones realizadas
a partir de cada una de ellas sobre un parámetro poblacional sean distintas.
Nos encontramos en este caso con un problema, ¿qué estimación consideramos? Este problema se
resuelve con el cálculo de parámetros a través de la estimación por intervalos de confianza
La estimación puntual de un parámetro no resulta de mucho valor si no se posee alguna medida del
posible error cometido en dicha estimación.
Estamos ante un caso similar al de las estimaciones puntuales: a partir de una muestra aleatoria
simple (X1….: ; Xn) de la variable X se quieren calcular los parámetros, pero esta vez teniendo den
cuenta que se quiere tener un nivel de confianza de que ese estimador representa al parámetro
poblacional.
Por tanto, Se dispone de una muestra aleatoria de una característica X de la población objeto de
estudio. Si esta característica puede ser modelizada mediante un modelo de probabilidad el cual
tiene función de masa Pθ(X) (si nos encontramos en el caso discreto), o Fθ (X) (si nos encontramos en
el caso continuo). Nuestro objetivo será conocer el valor del parámetro o parámetros desconocidos
que representamos por θ a través de un intervalo con un determinado nivel de confianza. Obsérvese
que no buscamos un punto, sino un intervalo en el que estemos relativamente “seguros” de que caerá
el parámetro poblacional.
Por tanto, en torno al parámetro se construye un intervalo de confianza. Podemos definir el Intervalo
de confianza como un rango de valores en el que esperamos que esté el parámetro poblacional, con
cierta probabilidad, que llamamos nivel de confianza. El nivel de confianza, por su parte, es la
probabilidad de que el parámetro poblacional esté entre dos valores en torno al estimador.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
a) Margen de error €
Se puede fijar de forma arbitraria, en función del criterio del investigador. Lo más habitual, en el
muestreo de proporciones, es que esté entre ±1% y ±3%. En el muestreo de medias no hay una regla
estable, pues no se puede fijar previamente a la investigación.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
Si se aumenta el nivel de confianza, aumenta la amplitud del intervalo, por lo que tenemos más
seguridad de que el parámetro caerá en ese intervalo, pero ese intervalo es de gran amplitud por lo
que cuanto mayor es el intervalo más imprecisa es nuestra estimación.
c) Desviación típica
Depende de la población y lo mejor es que sea la menor posible. Con la desviación típica se calcula el
error estándar, que viene a ser el cociente entre la desviación típica y la raíz cuadrada de n, tal y
como se expuso en el tema 1.
Las cantidades pivotales son funciones de la muestra aleatoria que no dependen del parámetro y que
son fundamentales para el cálculo de los intervalos de confianza.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
∑
S2= Cuasivarianza muestral=
Supongamos una muestra de cuatro observaciones {1,2; 3,4; 0,6; 5,6}, extraída de una población
normal de media desconocida µ y desviación estándar conocida 3. La media de las observaciones
muestrales es 2,7.
Queremos determinar los límites superior e inferior entre los cuales queda comprendido, con
bastante seguridad, el valor verdadero del parámetro μ con un nivel de confianza del 95%.
μ , μ
√ √
∝/ μ ∝/
√ √
Zα/2
1-α=0,95
α/2=0,025
Por lo que:
∝/ 1,96
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
, , μ , , ,
√ √
, , μ , , =0,95
, μ , =0,95
Interpretar el resultado
Se desea estimar con un nivel de confianza del 95 % la talla media de los hombres de 18 o más años
de un país. Suponiendo que desconocemos 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.
μ
~
/√
;∝/
√
;∝/ μ ;∝/
√ √
Media muestral:
= 173,47
S=7,36
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
T1-α/2
1-α=0,95
α/2=0,025
Por lo que:
T1-α/2 2,14
;∝/ √ μ ;∝/ √ =
, ,
, , μ , ,
√ √
, ,
, , μ , ,
√ √
Interpretar el resultado
También podemos utilizar las fórmulas dispuestas anteriormente para calcular el tamaño muestral
mínimo para no superar una determinada cota de error.
Deseamos estimar un tamaño maestral mínimo de hombres para estimar la media poblacional con un
margen de error inferior a 0,5 cm., suponiendo que la suponiendo que la desviación típica de las
tallas en la población de hombres vale 4 cm y el nivel de confianza de un 99%.
Aplicamos la fórmula para calcular la cota de error (a partir de las fórmulas de la tabla 3):
∝/
√
∝/ ∗
Zα/2
1-α=0,99
α/2=0,005
Por lo que:
∝/ 2,58
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
Aplicamos la fórmula
∝/ ∗
, ∗
,
Interpretar el resultado
Se utiliza para calcular las proporciones de poblaciones que siguen una distribución Binomial (n, p).
Ejemplo:
En una muestra de 105 comercios seleccionados al azar de una zona, se observa que 27 de ellos han
tenido pérdidas en este mes. Obtenga un intervalo de confianza para la proporción de comercios en
la zona con pérdidas a un nivel de confianza del 90 %.
Calcular p
é
,
Calcular
Calcular Zα/2
1-α=0,90
α/2=0,05
Por lo que:
∝/ 1,64
Sustituir en la fórmula
, ∗ , , ∗ ,
, , , ,
, , , ,
, , ]
Interpretación
La proporción poblacional de los comercios con pérdidas estará entre un 19% y un 33% con un 90% de
confianza.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
También podemos utilizar las fórmulas dispuestas anteriormente para calcular el tamaño muestral
mínimo para no superar una determinada cota de error. En general, suele utilizarse un valor por
defecto de error, que es p=q=0,05, puesto que supone la mayor garantía de aleatoriedad del
fenómeno a estudiar.
Determine el tamaño muestral necesario de una zona de comercios para que la cota de error no
supere el 1%, con un 80% de confianza.
Aplicamos la fórmula para calcular la cota de error (a partir de las fórmulas de la tabla 3)
∗
∝/
∝/ ∗ ∗
Zα/2
1-α=0,80
α/2=0,10
Por lo que:
∝/ 1,28
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
Aplicamos la fórmula
∝/ ∗ ∗
, ∗ ∗ ∗ ∗
,
Interpretar el resultado
Se supone que el número de piezas defectuosos en una empresa a lo largo de un días sigue una
distribución de Poisson. Elegidos al azar 95 días en los que se ha editado dicho periódico, se
obtuvieron los siguientes resultados:
Número de
periódicos 0 1 2 3 4 5
defectuosos
Número de
40 30 15 7 2 1
días
Hallar el intervalo de confianza al 90% para el número medio de piezas defectuosas por día.
Tenemos una variable X que cuenta el número de periódicos defectuosos en la tirada de un día.
Esta variable X sigue una distribución de Poisson de parámetro λ, P(λ), y queremos dar un intervalo
de confianza para estimar el parámetro λ, que representa de la media de periódicos defectuosos
para esta población, en función de los datos obtenidos de forma experimental con la muestra
recogida, y con un nivel de confianza del 90%
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
Zα/2
1-α=0,9
α/2=0,05
Por lo que:
∝/ 1,645
∗ ∗ ∗ ∗ ∗ ∗ ∗
,
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
Aplicamos la fórmula
, ,
, , , ,
, , , ,
, ,
Interpretación
Es decir, de cada 100 muestras que tomemos de esta población, en 90 de ellas la media λ se
encontrará en este intervalo, es decir, que la media de piezas defectuosas estará entre 0,82 y 1,15.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
A veces también es útil conocer si las medias o proporciones de dos poblaciones son iguales o no.
Por ejemplo, si queremos calcular si la talla media de mujeres de España y mujeres de Portugal es
la misma, extraeremos dos muestras de mujeres de ambos países y las compararemos a través de la
inferencia estadística (utilizando intervalos de confianza).
Cuando se trata de dos poblaciones, con (X1, … , Xn), (Y1, … , Yn) muestras aleatorias independientes
de X e Y respectivamente, los más utilizados son:
Veamos un ejemplo:
Solución
Suponemos que los datos de cada población siguen una distribución Normal y queremos ver si
existe diferencia entre ambas producciones medias, para lo cual hallaremos el intervalo de
confianza para la diferencia de medias con dos poblaciones Normales e independientes y
consideramos las varianzas dadas con varianzas poblacionales conocidas.
Si dicho intervalo contiene al 0 diremos que no existe diferencia significativa entre ambas
medias, si es totalmente positivo diremos que la media correspondiente a la variable X es mayor
que la correspondiente a la variable Y, y si es totalmente negativo, diremos que la media
correspondiente a la variable Y es mayor que la correspondiente a la variable X.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
Dicho intervalo viene dado por (Mirar Fórmulas Intervalos de Confianza Punto 4 del ANEXO)
En este caso, conocemos la 1 y 2, por lo que aplicaríamos las fórmulas correspondientes:
,
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
, , , ]
, , ,
Se puede afirmar, con un 95% de confianza, que la máquina A tiene una mayor producción que la
máquina b (puesta en segundo lugar), dado que en el intervalo no se encuentra el valor 0.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
V. RESUMEN
En esta unidad hemos procedido a comenzar a implementar la inferencia estadística. En primer lugar,
expusimos las propiedades de los estimadores para después realizar la estimación puntual de parámetros
poblacionales a raíz de una muestra extraída de la población. Dado que la simple estimación puntual no nos da
demasiada seguridad a la hora de interpretar los datos poblacionales, también procedimos a la explicación de
cómo calcular los intervalos de confianza donde se ubicaría el parámetro poblacional, todo ello para la media,
la varianza y las proporciones. Por último, establecimos cómo comparar parámetros poblacionales de dos
poblaciones independendie3ntes utilizando los intervalos de confianza.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
VI. GLOSARIO
Distribución
La distribución de un estadístico calculada a partir de los valores de la
muestral
muestra.
VII. BIBLIOGRAFIA
Bibliografía Básica:
Amón, Jesús (1988): Estadística para Psicólogos 2 , Sexta edición, Madrid: Pirámide.
Aron, Arthur y Elaine Aron (2001): Estadística para la psicología, Segunda edición, Buenos Aries: Pearson.
Pérez López, César (2003): Estadística. Problemas resueltos y aplicaciones. Madrid Pearson Prentice Hall.
Quesada Paloma, V., Isidoro Martín, A., López Martín, L.A. (2005): Curso y ejercicios de estadística:
aplicación a las ciencias biológicas, médicas y sociales. Madrid: Alhambra.
Bibliografía complementaria:
Ruiz-Maya, L., Martín Pliego, F.J. (2001): Estadística. II, Inferencia. Editorial AC. Madrid.
Milton, J.S., Arnold, J.C. (2003): Probabilidad y estadística con aplicaciones para ingeniería y ciencias
computacionales. McGraw-Hill. México
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
VIII. ACTIVIDADES
A continuación se exponen una batería de preguntas tipo test en las que solamente hay una solución correcta
(soluciones más abajo).
1. Un estimador es….
a. Un estadístico utilizado para estimar parámetros que conocemos de la población.
b. Un estimador es un estadístico usado para estimar un parámetro desconocido de la población.
c. Una función logarítmica compuesta por dos factores.
3. ¿Qué diferencia hay entre la estimación puntual y por intervalos de confianza de parámetros
poblacionales?
a. Que la estimación puntual nos ofrece un único valor para el parámetro poblacional y la
estimación por intervalos de confianza nos ofrece un valor del parámetro asociado a un error
de estimación
b. Que la estimación por intervalos de confianza nos ofrece un único valor para el parámetro
poblacional y la estimación puntual nos ofrece un valor del parámetro asociado a un error de
estimación
c. No hay diferencias perceptibles entre ambos tipos de estimación.
7. ¿Se pueden estimar los intervalos de confianza para las proporciones y las medias?
a. No, únicamente para las proporciones.
b. No, únicamente para las medias.
c. Sí, tanto para las proporciones como para las medias.
10. ¿Qué es más útil en el cálculo de parámetros poblacionales: la utilización de intervalos de confianza o
la estimación puntual?
a. La estimación puntual, ya que nos da un valor exacto.
b. La estimación por intervalos de confianza ya que tenemos información sobre el error que
cometemos en la estimación.
c. Ninguno de los dos procedimientos es válido para estimar parámetros poblacionales.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
Pregunta 1. B)
Pregunta 2. C)
Pregunta 3. A)
Pregunta 4. A)
Pregunta 5. C)
Pregunta 6. A)
Pregunta 7. C)
Pregunta 8. A)
Pregunta 9. A)
Pregunta 10. B)
1. Determinar el intervalo de confianza al 80% para la nota media de una asignatura si se sabe
que para una muestra de 30 alumnos la media ha sido 8.83 y la desviación típica 1.92.
2. Se supone que el nº de piezas defectuosas en una fábrica sigue una distribución de Poisson. Elegidos
al azar 95 días en los que ha habido producción de dichas piezas, se obtuvieron los siguientes
resultados:
Nº de piezas defectuosas: 0 1 2 3 4 5
40 30 15 7 2 1
Hallar el intervalo de confianza al 90% para el nº medio de piezas defectuosas por día.
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
3. En una población, la altura de los individuos sigue una distribución Normal (µ, σ = 5). Hallar
el tamaño de la muestra para estimar µ con un error inferior a ±2 cm. y un nivel de
confianza 0.9.
4. Se sospecha que existe una diferencia significativa entre los porcentajes de piezas
defectuosas elaboradas por 2 máquinas A y B en un proceso de producción industrial. Para
salir de dudas, se toma una muestra aleatoria de 300 piezas de la máquina A, de las cuales
27 han resultado defectuosas. Del mismo modo, tomamos una muestra de 400 piezas de la
máquina B, de las cuales 32 son defectuosas. ¿Qué nos indican estos resultados al 95% de
confianza?
BLOQUE II. TEMA 3
TEMA 3
Estimación de parámetros. Estimación puntual y por intervalos de
confianza
IX. ANEXOS
40