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

4
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 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

6
cuidado, equivocándose en la identificación de algunos peces; el
observador B trabaja mucho más lentamente pero con más cuidado.
Según una serie de muestras, las estimaciones del porcentaje de
presencia de Leiognathus splendens en las capturas fueron

A 44354
.
35464
63435
45446
53545
B 9 7 14 8
. 1
4 1 89 1
0 2
8 3 61 1
05
1 1 71 1
12 31
1 5 89 1
0 2

Después de calculadas las medias y variancias de las anteriores

distribuciones, resulta que: (a) las estimaciones obtenidas por A son

7
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).

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.

8
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
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

9
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.

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

10
 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.

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

11
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 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

12
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.

13
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.

14
 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, entonces µX =

µ y σX =
σ
√N √ N P−N
N P −1
, si la población es infinita o si el muestreo es
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

15
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?

16
 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 por µp = p y σp =

√ √
pq
N
=¿
p (1− p)
N
¿

que se puede obtener poniendo µ = p y σ = √ 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

17
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)

DISTRIBUCIÓN DE MUESTREO DE DIFERENCIAS Y

SUMAS

Si son dos poblaciones, para cada muestra de tamaño N 1 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 S 2. De estas podemos
obtener distribuciones diferentes S1 – S2 que se llama distribución
de muestreo de las diferencias de los estadísticos. La media y la

18
desviación típica de esta distribución de muestreo denotadas por µs1 –
s2 y σs1 – s2 vienen dadas por µs1 – s2 = µs1 – µs2 y σs1 – s2 = √ σ 2s 1+ σ 2s 2
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)

√
2 2
σ 1 σ2
y (µ2, σ2) por µx1 – x2 = µx1 – µx2 = µ1 – µ2, y σx1 – σx2 = √ σ 2X 1+ σ 2X 2 = +
N1 N 2

usando las ecuaciones. El resultado también es válido para

poblaciones finitas si el muestreo es con reposición.

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

19
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.

20
21
 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.

22
 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.

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 de varianza

23
 N −1 2
es µs 2
= N
σ donde σ
2
es la varianza de la población y N es el

tamaño de la muestra. Así la varianza de la muestra s 2 es una

estimación sin sesgo de σ 2. La varianza modificada queda de esta
N 2
forma s2 = N −1 s encontramos µs 2
= σ , de manera que s2 es una
2

estimación sin sesgo de σ 2. 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.

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

24
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.

ESTIMACIONES DE PUNTO Y ESTIMACIONES DE

INTERVALO; SU FIABILIDAD

25
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

26
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.

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.

27
 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.

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 σ X , 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.

28
 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−¿ +¿¿
¿ z c σ P, donde P es la proporción de éxitos en 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 P−¿ +¿¿

¿
√
z c pq =¿ P−¿
N
+¿¿
¿
√
z c p(1−q)
N
si el muestreo es de una

población infinita o finita con reposición y por P−¿ +¿¿

¿
√ √
z c pq z c
N
N p −N
N p−1
, si

el muestreo es de una población finita de tamaño Np y sin reposición.

29
 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 S 1 y
S2 vienen dados por S1 - S2−¿
+ ¿¿
¿ z c σ S 1−S 2 = S1 - S2 −¿ + ¿¿
¿ z c √ σ 2s 1+ σ 2s 2, mientras
que los límites de confianza para la suma de los parámetros de
población vienen dados por S1 + S2−¿ + ¿¿
¿ z c σ S 1+ S 2 = S1 + S2 −¿ + ¿¿
¿ z c√ σ 2s 1+ σ 2s 2,

supuesto que las muestras sean independientes.

EJEMPLO

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

caso de poblaciones infinitas se calculan como X1 - X2−¿ + ¿¿
¿ z c σ X 1− X 2 =

30
 √
2 2
σ1 σ2
X1 - X2 −¿+ ¿¿
¿ zc + , donde X1, σ1, N1 y X2, σ2, N2 son las
N1 N 1

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
+¿¿ σ
desviación típica s, viene dados por S−Z σ = S−¿
c s
+¿ ¿
¿ Zc
√2 N
, al calcular

estos límites de confianza usamos s para estimar 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:

31
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,

32
 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.

33
 REFERENCIAS

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

noviembre de 2021 https://instectapachula-
my.sharepoint.com/:b:/g/personal/ren_de_tapachula_tecnm_m
x/
ER2fk7SqSzpHjlFa42dOOeIB9o02v7H7g5KDyEHXsgZ8jw?
e=mKlJnl

34
 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

35
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 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

36
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
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

37
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.

38