Unidad I.

TEORIA DE MUESTREO Y ESTIMACION

 Índice

1. Estadística…………………………………………………………………..……..... 1

2. Clasificación de estadística…………………………….………..…..………............ 1

2.1. Estadística descriptiva…………………………….……………………... 1

2.2. Estadística inferencial………………….………………...…………….... 2
3 Población…………………………………………………………….…………....... 2
3.1. Población finita……………………………………………..…...……..... 3
3.2. Población estadística infinita……………………………………..……... 3
4. Muestra…………………………………………………….…………….................. 4
5. Parámetro……………………………………………………………………........... 4
6. Estadígrafo……………………………………………………………………......... 4
7. Explique las tres razones fundamentales por las cuales la mayoría de los casos,
generalmente se emplean muestras para extraer información de la población en 4
estudio……………………………………………………………………................

8. Variables……………………………………………………………….…................ 5
9. Tipos de variables…………………………………………………………...……… 5
9.1. Variable cualitativa…………………………………………………………….. 5
9.2. Variables cuantitativas…………………………………………………………. 6
9.2.1. Variables discretas……………………………………………………... 7
9.2.2. Variables continuas…………………………………………………..... 7
10. Defina los tipos de muestreo según la forma de selección……………………...….. 8
10.1. Muestreo Probabilístico (Aleatorio) …………………………………………. 8
10.1.1. Muestreo aleatorio simple……………………………………………. 9
El muestreo Aleatorio Simple con reemplazo………………………... 9
El muestreo Aleatorio Simple sin reemplazo………………………… 9
[Link]. 10.1.2. Muestreo aleatorio sistemático………………………………..……… 9
[Link]. 10.1.3. Muestreo aleatorio estratificado……………………………………… 10
[Link]. 10.1.4. Muestreo aleatorio por conglomerados………………………………. 10
11. Una vez leído el tema de la distribución muéstrales de medias. Diseñe un ejercicio
donde usted pueda establecer una distribución muestral de media utilizando 10
muestras de tamaño 2 sin reemplazo, determinando la media de distribución

II
 muestral de medias y comprobando que es igual a la media poblacional, además
determine el error estándar de esta
distribución………………………………………………………….……..…..........
12. Una vez leído el tema de cálculo de probabilidades bajo la distribución normal
para medias. diseñe un ejercicio donde usted pueda calcular por lo menos 4 12
probabilidades para medias……………………………………………….….……...
13. Una vez leído el tema de cálculo de probabilidades bajo la distribución normal
para proporciones. Diseñe un ejercicio donde usted pueda calcular por lo menos 4 17
probabilidades para proporciones. ………………………………………………….

14. Defina el termino estimación……………………………………….………….…… 18

15. Defina las características de una buena estimación………………….………..…..... 19
16. Defina los tipos de estimación (puntual y por intervalo)….………………..………. 20
17. Diseñe un ejercicio donde pueda estimar a través de un intervalo una media
poblacional………………………………………………………………….............. 21
18. Diseñe un ejercicio donde pueda estimar a través de un intervalo una proporción
poblacional……………………….…………………………………………............. 21

Conclusiones……………………………………………………………………....... 23
Bibliografía………………..…………………………………………………........... 24

Introducción

III
 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 (Pardo y San Martín, 2001).
En el proceso de formación como profesionales de la administración es
esencial el conocimiento de la estadística para lograr los objetivos de los retos
que impone a diario esta disciplina de allí la importancia de adquirir ciertos
conocimientos teóricos, conceptos y definiciones aportaran las bases
fundamentales para la comprensión y elaboración de problemas relacionado
con esta rama de las matemáticas.
El contenido de este trabajo es netamente teórico que integran algunos
enunciados prácticos, capaces de proporcional un conocimiento general del
tema desarrollado.
Este trabajo forma parte de la formación integral de los estudiantes de
contaduría, de la UDO, lo cual representa un gran esfuerzo por parte de ellos,
en tiempos de pandemia, quienes deben asumir un rol de autodidactas y de
sus profesores quien tienen la inmensa responsabilidad asesorarlo, orientarlos
y evaluarlos.

IV
1. Estadística.
La estadística es una ciencia y una rama de las matemáticas que estudia
los métodos científicos para recoger, organizar, resumir y analizar datos, así
como para sacar conclusiones válidas y tomar decisiones razonables basadas
en tal análisis.

2. Clasificación de estadística.
Con la finalidad de estudiar mejor la estadística, esta se ha dividido en
dos ramas las cuales son:

2.1. Estadística Descriptiva

Es aquella que consiste en la evaluación de un fenómeno por medio de la
observación y su posterior presentación en datos y gráficos con el fin de
detallar el mismo fenómeno y su comportamiento. Es decir se emplea
simplemente para resumir de forma numérica o gráfica un conjunto de datos.
Se restringe a describir los datos que se analizan.

Los pasos por medio de los cuales procede la estadística descriptiva son
los siguientes:
Recolectar: Los datos deben ser obtenidos de forma consecuente de una
muestra.
Analiza: Los datos deben ser sometidos a una serie de estudios con el fin de
evaluarlos y proceder a su respectiva categorización
Caracterización o categorización: Esto se corresponde al proceso de
agrupación de los datos en distintos grupos con el fin de que los mismos
puedan presentarse de forma segmentada para una mejor apreciación de los
resultados.

1
 2.2 Estadística InferencialLa estadística inferencial permite
realizar conclusiones o inferencias, basándose en los datos
simplificados y analizados de una muestra hacia la población o
universo. Su papel es interpretar, hacer proyecciones y
comparaciones.
La estadística inferencial emplea usualmente mecanismos que le
permiten llevar a cabo dichas deducciones, tales como:
 Pruebas de estimación puntual (o de intervalos de confianza),
 Pruebas de hipótesis,
 pruebas paramétricas (como de media, de diferencia de medias,
proporciones, etc.)
 No paramétricas (como la prueba del chi-cuadrado, etc.).

También le son útiles los análisis de correlación y de regresión, las series

cronológicas, el análisis de varianza, entre otros.

3 Población.
Es el conjunto de todos los valores de un fenómeno o propiedad que se
quiere observar, se precisa como un conjunto finito o infinito de personas u
objetos que presentan características comunes.
"Una población es un conjunto de todos los elementos que estamos
estudiando, acerca de los cuales intentamos sacar conclusiones". Levin &
Rubín (1996).

2
 3.1. Población finita:
Es una población que está compuesta por un número pequeño de
elementos, artículos o sujetos, los cuales tienen un fin y estos se pueden
determinar.

Ejemplos:
1. Número de estudiantes que se encuentran matriculados en una
institución.
2. Número de integrantes de una familia.
3. Número de teléfonos que posee una persona.
4. Número de propiedades que posee una persona.
5. Número de hijos que posee una mujer.

3.2. infinita:
Es una población que está compuesta por un número grande de
elementos, artículos o sujetos, los cuales no tienen fin y estos son imposibles
de determinar.

Ejemplo:
1. Número de especies del reino animal
2. Granos de arena en el mar
1. Estrellas en el universo
2. Población de hormigas a nivel mundial
3. Número de moléculas en el mundo

3
4. Muestra.
Es una parte o subconjunto de unidades representativas de un conjunto
llamado población o universo, seleccionadas de forma aleatoria, y que se
somete a observación científica con el objetivo de obtener resultados válidos
para el universo total investigado, dentro de unos límites de error y de
probabilidad de que se pueden determinar en cada caso. Denotaremos al
tamaño de la muestra mediante n.

5. Parámetro.
Es un número que resume la gran cantidad de datos que pueden derivarse
del estudio de una variable estadística. El cálculo de este número está bien
definido, usualmente mediante una fórmula aritmética obtenida a partir de
datos de la población.
Los parámetros estadísticos son una consecuencia inevitable del
propósito esencial de la estadística, crear un modelo de la realidad.

6. Estadígrafo.
Un estadígrafo o estadístico es un valor numérico que se obtiene a partir
de datos muéstrales. Describe alguna característica de la muestra, y la toma de
decisiones respecto a la población contiene cierto grado de incertidumbre.

7. Explique las tres razones fundamentales por las cuales la mayoría de

los casos, generalmente se emplean muestras para extraer
información de la población en estudio.

4
1. No es necesario usar gran cantidad de información (población) para
hallar los parámetros tales como la media, la varianza o una proporción
que describe a una población y puede estimarse a partir de una muestra.
2. La elección de una muestra permite la realización de estudios que serían
imposible hacerlo sobre el total de la población.
3. Al reducir el tiempo de recogida y tratamiento de los datos, se consigue
mayor rapidez.
4. Se debe elegir estudiar una muestra, debido a que no podemos estudiar a
toda la población por varias razones (proceso largo y coste elevado, entre
otros)

8. Variable.
La variable estadística es una característica o cualidad de una muestra o
población de datos un individuo que está propensa a adquirir diferentes
valores. Estos valores, a su vez, se caracterizan por poder medirse.
Por ejemplo, el color de pelo, las notas de un examen, el sexo o la
estatura de una persona, son variables estadísticas. La variable estadística, de
acuerdo con las características que la definen, puede ser cualitativa o
cuantitativa.

9. Tipos de variables.
Las variables pueden ser cualitativas o cuantitativas.

9.1. Variable cualitativa

Son las variables que expresan distintas cualidades, características o
modalidad. Cada modalidad que se presenta se denomina atributo o categoría
y la medición consiste en una clasificación de dichos atributos.

5
 Las variables cualitativas pueden ser ordinales y nominales. Las variables
cualitativas pueden ser dicotómicas cuando sólo pueden tomar dos valores
posibles como sí y no, hombre y mujer o son politómicas cuando pueden
adquirir tres o más valores. Dentro de ellas podemos distinguir:

Ejemplo:
 Raza o grupo étnico;
 Sexo;
 Nivel de escolaridad;
 Severidad de un efecto adverso,
 Diagnostico medico;
 Diagnóstico de ingreso.

9.2. Variables cuantitativas

También llamadas variables numéricas. Son aquellas variables que
describen una característica en términos de un valor numérico o cantidad.
Estas pueden ser discretas o continuas. Las principales características de las
variables cuantitativas son las siguientes:
Expresan sus valores con números.
Son utilizadas generalmente en encuestas o entrevistas.
Utilizan gráficos llamados diagramas integrales y diagramas
diferenciales para mostrar la frecuencia relativa de las variables.
También pueden servirse de diagramas de barra para otorgar cifras.

Ejemplo:
 Estatura,

6
  Peso,
 Edad (años),
 Número de hijos en una familia,
 Número de células en una muestra de sangre,
 Tamaño de lesión de leishmaniasis (mm),
 Ingreso familiar

.2.1. Variables discretas (o discontinuas) están asociadas a conteos o

enumeraciones, razón por la cual, sólo permiten ser registradas con números
enteros (0, 1, 2, 3, etc.).

Ejemplo:
 Edad (años cumplidos) ( 18, 25, 44)
 Número de hijos en una familia (0, 1, 2, 3, etc.)
 Número de células en una muestra de sangre (27, 70, 85)
 Numero de pétalos en una flor ( 4, 5, 6)
 Número de familias residentes en una manzana ( 20, 25, 45)
 Numero de insectos atrapados en una red ( 0, 1, 2, 5, 10)

.2.2. Variables continuas Las variables continuas son aquellas

características que son medidas dentro de un rango continuo infinito de
valores numéricos y se registran con números reales. Pueden presentar
cualquier valor dentro de cierto intervalo.

Ejemplo:
 Estatura (1.76543 m);

7
  Peso (55.66525 kg);
 Tamaño de lesión de leishmaniasis (6.0458 mm),
 Ingreso familiar ($ 10)
 Dosis efectiva 50 (ED50=12.5 μg/mL)

10. Defina los tipos de muestreo según la forma de selección.

Muestreo
Es un procedimiento para seleccionar un subconjunto, llamado muestra,
de elementos de una población. El objetivo principal del muestreo es
considerar el mayor número de unidades con el menor costo posible.

Existen diferentes criterios de clasificación de los diferentes tipos de

muestreo, aunque en general pueden dividirse en dos grandes grupos:
1. Métodos de muestreo no probabilísticos
2. Métodos de muestreo probabilísticos

10.1. Muestreo Probabilístico (Aleatorio) `

Se establece que el muestreo aleatorio es un proceso de selección de
muestras, mediante el cual se garantiza que todos los elementos de la
población tienen la misma probabilidad de ser elegidos para ser parte de la
muestra. A la muestra seleccionada de esta forma se le llama muestra
aleatoria.

Dentro de los métodos de muestreo aleatorio probabilísticos encontramos los

siguientes tipos:

8
 10.1.2. Muestreo aleatorio simple
Cada elemento de la población tiene una oportunidad igual e
independiente de ser seleccionado, para lo cual se le asigna un número. La
muestra se determina con tablas de números aleatorios.

El muestreo Aleatorio Simple con reemplazo

En el proceso de selección de una muestra, puede suceder que, una vez
seleccionado y computado un elemento, ese sea devuelto a la población
pudiendo ser seleccionado de nuevo para formar parte de la misma muestra
Cuando se utiliza este método el resultado de la extracción de cada
elemento es independiente de los resultados anteriores
En la utilización de este método el número de elementos de la población
no se acaba nunca, por lo que se puede dar el hecho de muestras con mayor
tamaño que el número de elementos de la población.

El muestreo Aleatorio Simple sin reemplazo

En el proceso de selección de una muestra, puede suceder que, una vez
seleccionado y computado un elemento, este no sea devuelto a la población,
no pudiendo formar parte nuevamente de la misma muestra
En poblaciones finitas, si el muestreo es sin reemplazamiento, el
resultado de una extracción depende de los resultados anteriores.

[Link].Muestreo aleatorio sistemático

Se selecciona una muestra tomando cada k-ésima unidad de la población,
una vez que las unidades de muestreo están numeradas o arregladas de alguna
forma. La letra k es la razón de muestreo, esto es, la razón del tamaño de la
población correspondiente al tamaño de la muestra.

9
 [Link].Muestreo aleatorio estratificado
Implica dividir a la población en clases o grupos, denominados estratos.
Las unidades incluidas en cada estrato deben ser relativamente
homogéneas con respecto a las características a estudiar. Por ejemplo, se
puede realizar un estudio para conocer la opinión de la población sobre un
político determinado planteando una muestra estratificada por edades. Como
parte de este muestreo, se toma una submuestra a partir de cada estrato
mediante un procedimiento aleatorio simple, de modo que para obtener la
muestra general se combinan las submuestras de todos los estratos.

[Link].Muestreo aleatorio por conglomerados

Implica la selección aleatoria de grupos o conglomerados a partir de la
población. Las diferencias entre los conglomerados son generalmente
pequeñas y las unidades dentro de cada uno, normalmente, son más
heterogéneas. Por ejemplo, las ciudades con una población de 50 habitantes
pueden tener características similares si las comparamos, pero la población es
heterogénea. De esta manera el analizar un conjunto de ciudades de 50 mil
habitantes nos ayudaría para tratar de caracterizar a la población de todas las
ciudades de 50 mil habitantes del país.

11. Una vez leído el tema de las Distribución Muéstrales de Medias,

diseñe un ejercicio donde usted pueda establecer una Distribución
Muestral de Media utilizando muestras de tamaño 2 sin reemplazo,
determinando la Media de la Distribución Muestral de Medias y
comprobando que es igual a la Media Poblacional, además
determine el Error Estándar de esta distribución

10
Ejercicio
Una población consta de los siguientes valores: 12, 12, 14 y 16
N!
C z=
n !( N−n)
MUESTRA VALORES SUMA MEDIA
1 12, 12 24 12
2 12, 14 26 13
3 12, 16 28 14
4 12, 14 26 13
5 12, 16 28 14
6 14, 16 30 15

La Media de la Distribución Muestral de Medias

Suma de todas las medias muestrales

μ X̄ =
todas de muestra
12+ 13+14+13+14 +15 81
μ X̄ = ⇒ μ X̄ = ⇒ μ X̄ =13 ,5
6 6

La Media de la Población
ΣX
μ=
N
12+12+14+ 16 54
μ= ⇒ μ X̄ = ⇒ μ X̄ =13 ,5
4 4

Desviación estándar

11
 2
xi xi− X̄ ( xi− X̄ )
12 -1,5 2,25
13 -0,5 0,25
14 0,5 0,25
13 -0,5 0,25
14 0,5 0,25
15 1,5 2,25

Σ ( xi− X̄ )2 =5,50
2
Σ ( xi− X̄ )
σ=
√ n
=0 , 9574

El Error Estándar de esta Distribución

σ
σ X̄ =
√n
0 , 9574 0 , 9574
σ X̄ = ⇒ σ X̄ = ⇒ σ X̄ =0 , 3909
√6 2 , 4495

12. Una vez leído el tema de cálculo de probabilidades bajo la

Distribución Normal para Medias, diseñe un ejercicio donde usted pueda
calcular por lo menos 4 probabilidades para medias

Ejercicio
Los pesos de unas adolecentes de una cierta escuela tienen una media de
50 kg con una desviación típica de 4. Elegimos al azar una muestra aleatoria
simple de 100 Jóvenes. Determina:
a) La probabilidad de que su media sea superior a 51 kg.
b) La probabilidad de que su media sea inferior a 56 kg.
c) La probabilidad de que su media sea superior a 49 kg.
12
 d) La probabilidad de que su media esté entre 49,5 kg y 50,3 kg.

La distribución normal de la población es:

N ( μ , σ )=N (50 , 4 )

Calculamos la desviación típica de la muestra, obteniendo la siguiente

distribución normal para la muestra:

σ 4
N( μ, ) N (50 , )
√N = √ 100 = N (50,0,4)
Con esta distribución contestaremos a los apartados del ejercicio.

Respuesta a:
Nos preguntan la probabilidad de que la media de la muestra sea superior
a 51 kg.
P ( x̄>51 )
Tipificamos la media muestral, teniendo en cuenta la desviación típica de
la distribución normal de la muestra:
x̄−μ
z=
σ 51−50
z=
√N = 0,4 = 2,50

La probabilidad de que la media sea mayor que 51 es igual a la

probabilidad de que z sea mayor que 2,5 y para poder utilizar la tabla de
distribución normal, eso es igual a 1 menos la probabilidad de que z sea menor
o igual a 2,5:

13
 P ( x̄ >51 )=P ( z >2,5 )=1−P ( z≤2,5 )
Obtengo la probabilidad de que z sea menor o igual a 2,5 directamente de
la tabla:
P ( z≤2,5 )=0 , 9938
Y lo sustituyo en la operación anterior:
1−P ( z≤2,5 )=1−09938=0 , 0062

La probabilidad de que la media de la muestra sea superior a 51 kg es de

un 0,62%. Es un porcentaje muy pequeño, ya que estamos muy cerca de 3,5
veces la desviación típica, a la derecha de la media y por encima de ese valor
tendría un 0%.

Respuesta b:
Nos preguntan la probabilidad de que la media de la muestra sea inferior
a 56 kg.
P ( x̄ <56 )
Tipificamos la media muestral:
x̄−μ
z=
σ 56−50
z=
√N = 0,4 = 15
La probabilidad de que la media sea menor que 56 es igual a la
probabilidad de que z sea menor que 15:
P ( x̄ <56 )=P ( z<15 )
Si te das cuenta, la tabla de distribución estándar llega hasta z=3,99, lo
que quiere decir que la probabilidad de que z sea menor que 4 es igual a 1 y

14
pasa lo mismo con valores de las desviación típica mayores que 4, luego la
probabilidad de que z sea menor que 15 también es igual a 1
P ( z <4 ) =1→P ( z <15 )=1
La probabilidad de que la media de la muestra sea inferior a 56 kg es de
un 100%
P ( x̄ <56 )=P ( z<15 ) =1

Respuesta c:
Nos preguntan la probabilidad de que la media de la muestra sea superior
a 49 kg.
P ( x̄ >49 )
Tipificamos la media muestral:
x̄−μ
z=
σ 49−50
z=
√N = 0,4 = -2,50
La probabilidad de que la media sea mayor que 49 es igual a la
probabilidad de que z sea mayor que -2,5 y para poder utilizar la tabla de
distribución normal, eso es igual a la probabilidad de que z sea menor o igual
a 2,5, que lo obtenemos directamente de la tabla:
P ( x̄ >49 )=P ( z>−2,5 )=1−P ( z≤2,5 )=0 , 9938
La probabilidad de que la media de la muestra sea superior a 49 kg es de
un 99,38%

Respuesta d:

15
 Nos preguntan la probabilidad de que la media de la muestra esté entre
49,5 kg y 50,3 kg.
P ( 49 ,5< x̄<50 , 3 )
Tipificamos las medias muéstrales:
x̄−μ
z 1=
σ 49 ,5−50
z 1=
√N = 0,4 = -1,25
x̄−μ
z 2=
σ 50 , 3−50
z 2=
√N = 0,4 = 0,75

La probabilidad de que la media esté entre 49,5 y 50,3 es igual a la

probabilidad de que z esté entre -1,25 y 0,75:
P ( 49< x̄ <50 ,3 ) = P ( 4−1 ,25<z<0 ,75 )
Que es igual a la siguiente expresión tal y como explico en lección de
cómo utilizar la distribución normal N (0,1):
P ( z≤0 ,75 )−[ 1−P ( z≤0 , 75 ) ]
Directamente de la tabla obtenemos la probabilidad de que z sea menor o
igual a 0,75 y la probabilidad de que z sea menor o igual a 1,25
P ( z≤0 ,75 )=0, 7734
P ( z≤1,25 ) =0,8944
Sustituimos los valores en la operación anterior y operamos:
P ( z≤0 ,75 )−[ 1−P ( z≤0 , 75 ) ] = 0 ,7734− [ 1−0 ,8944 ] =0 ,6678
La probabilidad de que la media de la muestra esté entre 49,5 kg y 50,3
kg es de un 66,78%

16
13. Una vez leído el tema de cálculo de probabilidades bajo la
Distribución Normal para Proporciones, diseñe un ejercicio donde usted
pueda calcular por lo menos 4 probabilidades para Proporciones.

Una fábrica de pasteles fabrica, en su producción habitual, un 3% de

pasteles defectuosos. Un cliente recibe un pedido de 500 pasteles de la fábrica.
a Calcula la probabilidad de que encuentre más del 5% de pasteles
defectuosos.
b ¿Cuál es la probabilidad de que el porcentaje de personas encuestadas
que usan gafas esté entre el 15 % y el 25 %?

Respuesta a

Estamos tomando una muestra de tamaño n= 500, de una población

donde la proporción de pasteles defectuosos es de p=0,03.
Podemos usar las Distribución Muestral de Proporciones, que se ajusta a
una normal

p . ( 1− p )
N= p , (√ n )
En nuestro ejemplo, si sustituimos los valores de p y n y calculamos,

sería N=( 0,03 , 0 ,0076 )

0 , 05−0 , 03
a)
(
P ( p̄>0 ,05 )=P Z>
0 , 0076 )
=P ( Z>2 ,63 )

[ 1−P ( z≤2 ,63 ) ]=1−0 , 9957=0 , 0043

17
 Se ha tipificado la variable y se ha hecho uso de la tabla de la N (0,1)

Respuesta b
Podemos usar las Distribución Muestral de Proporciones, que se ajusta a
una normal

p . ( 1− p )
(√
N= p ,
n )
En nuestro ejemplo, si sustituimos los valores de p y n y calculamos,

sería N=( 0,03, 0 ,0076 )

P ( 0,15≤ x̄≤0, 25 )
0 , 15−0 ,03 0 ,25−0 , 03
P
[( 0 , 0076 ) (
≤z≤
0 , 0076 )]
P [ 15 , 79≤z≤28,95 ]
P ( z≤15 ,79 ) −P ( z≤28 ,95 )
P ( z≤15 ,79 ) −[ 1−P ( z≤28 , 95 ) ]

14. Defina el término estimación.

En Inferencia Estadística se llama estimación al conjunto de técnicas que
permiten dar un valor aproximado de un parámetro de una población a partir
de los datos proporcionados por una muestra.
El objetivo principal de la estadística inferencial es la estimación, esto es
que mediante el estudio de una muestra de una población se quiere generalizar
las conclusiones al total de la misma.

18
15. Defina las características de un buen estimador.
Para ser calificado de buen estimador son características importantes la
insesgadez o ausencia de sesgo, la eficiencia o reducida variabilidad y la
consistencia o comportamiento probabilístico del estimador a medida que
aumenta el tamaño de la muestra.

Consistente
Un estimador es consistente si sus propiedades mejoran conforme
aumenta el tamaño de la muestra.
Si 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 tienda a ser el valor del parámetro
A medida que incrementa el tamaño muestral, el estimador se acerca más
y más al valor del parámetro. La consistencia es una propiedad asintótica.
Tanto la media muestral como la cuasi varianza son estimadores
consistentes
La varianza muestral es un estimador consistente de la varianza
poblacional, dado que a medida que el tamaño muestral se incrementa, el
sesgo disminuye.

Suficiente
Un estimador es suficiente si utiliza toda la información contenida en la
muestra.
Se dice que un estimador es suficiente cuando resume toda la
información relevante contenida en la muestra, de forma que ningún otro

19
estimador pueda proporcionar información adicional sobre el parámetro
desconocido de la población.
Insesgado
Un estimador es insesgado o imparcial si su valor esperado es igual al
parámetro que está estimando
Un estimador puntual es insesgado si la media de la distribución muestral
del estadístico (esperanza matemática del estadístico) es igual al parámetro por
estimar.
La media muestral es un estimador insesgado de la media poblacional.
La varianza muestral no es un estimador insesgado de la varianza
poblacional, es sesgado.
La cuasi varianza si es un estimador insesgado de la varianza
poblacional.

Eficiente
Un estimador es eficiente si tiene un error estándar menor al error
estándar de otro estimador del mismo parámetro.
Diremos que un estimador es más eficiente o más preciso que otro
estimador, si la varianza del primero es menor que la del segundo.
Cuanto menor es la eficiencia, menor es la confianza de que el estadístico
obtenido en la muestra se aproxime al parámetro poblacional.

16. Defina los tipos de estimación, (Puntual y Por intervalo).

El objetivo principal de la estadística inferencial es la estimación, esto es
que mediante el estudio de una muestra de una población se quiere generalizar
las conclusiones al total de la misma.

20
 Existen dos tipos de estimaciones para parámetros; puntuales y por
intervalo:
Una estimación puntual: es un único valor estadístico y se usa para
estimar un parámetro. El estadístico usado se denomina estimador.

Una estimación por intervalo: es un rango, generalmente de ancho

finito, que se espera que contenga el parámetro.

17. Diseñe un ejercicio donde pueda estimar a través de un intervalo una

media poblacional.
Se ha extraído una muestra de 145 alumnos de una escuela de música a
los que se les ha propuesto un test de habilidad. La media y la desviación
típica obtenida de la muestra son 82 y 14, respectivamente. Se pide:
a. Estimar la media poblacional mediante un estimador puntual
b. Obtener el intervalo en el cual se hallara la media poblacional al nivel
de confianza del 95%
Nota: El mejor estimador puntual para la media poblacional es la media
muestral, en nuestro caso es 82

18. Diseñe un ejercicio donde pueda estimar a través de un intervalo una

proporción poblacional.
Una compañía de televisión por cable tiene interés en determinar qué
proporción de sus clientes estaría dispuesta a aceptar un aumento en las tarifas
del servicio a cambio de la incorporación de nuevos canales los cuales
repercutirían en mayor entretenimiento e información. Una encuesta previa
indica que esta proporción está alrededor del 17%

21
a. ¿De qué tamaño debería ser la muestra de clientes si se quiere estimar
dicha proporción con un error inferior al 9% con un nivel de confianza del
95%?
b. Se realizó un estudio con una muestra de 216 clientes, de los cuales 45
manifestaron su conformidad con la propuesta. Calcular un intervalo de
confianza, al 95% para la proporción total de clientes de la compañía que
aceptaría dicha propuesta.

22
 Conclusiones

Con la culminación de esta actividad se han adquirido nuevos

conocimientos relacionados con un tema importante de la estadística como lo
es la inferencia estadística. No solo se incrementaron los conocimientos
teóricos sino también se pudo indagar sobre los conocimientos práctico, tales
como ejercicios tipos.
Lógicamente no es tan sencillo el tema y se debe indagar más si es que se
quiere tener un cierto nivel en dominio de esta ciencia y rama de las
matemáticas.
Entre los conocimientos adquiridos se encuentra la importancia de la
muestra ya que esta simplifica el tiempo de trabajo y costos.
Además se adquirió los conocimientos de los tipos de variables,
parámetros, y estimación.
Por ultimo este trabajo permitió usar la creatividad y el intelecto en la
formulación y diseño de ejercicio, que aunque no fue nada fácil motiva a
seguir estudiando para ser unos profesionales con una excelente preparación
académica.

23
 Bibliografía

1.- Gómez Giraldo, Hugo., 2009 “Estadísticas”

2.- Murray R. Spiegel, 1997. “Estadística” segunda Edición. Editorial Mc

Graw Hill/Interamericana de España, S.A.

3.- [Link]
[Link]

4.- Quintana, Carlos., 1996,. “Elementos de Inferencia Estadística” Segunda

reimpresión. Editorial De la universidad de Costa Rica.

24