Muestreo

Introducción

El muestreo es una herramienta fundamental en la estadística, ya que permite obtener

información sobre una población sin necesidad de estudiarla en su totalidad. Esta técnica

consiste en seleccionar una parte representativa de la población, conocida como muestra,

con el objetivo de realizar análisis y obtener conclusiones válidas. Su uso es especialmente

útil cuando estudiar a toda la población resulta costoso, complicado o imposible.

Existen distintos tipos de muestreo, y cada uno tiene sus ventajas y desventajas

dependiendo del contexto en el que se aplique. Además, al trabajar con muestras, surgen

conceptos clave que ayudan a entender cómo se comportan los datos obtenidos. Uno de

estos conceptos es la distribución muestral, que describe cómo varían ciertos estadísticos,

como la media o la proporción, de una muestra a otra. En este contexto, el teorema del

límite central ocupa un lugar importante, ya que explica por qué las distribuciones

muestrales tienden a adoptar una forma normal a medida que aumenta el tamaño de la

muestra, incluso si la población original no sigue una distribución normal.

Comprender el muestreo, sus tipos, y los principios estadísticos relacionados con él, como

la distribución muestral de la media y de una proporción, permite interpretar resultados de

manera más precisa y confiable. Estos conocimientos son esenciales para realizar estudios,

tomar decisiones informadas y aplicar correctamente técnicas estadísticas en distintas

áreas del conocimiento.

Tipos de muestreo:No probabilisticos

El muestreo no probabilístico es una técnica de muestreo donde las muestras se recogen

por medio de un proceso que no les brinda a todos los individuos de la población las mismas

oportunidades de ser seleccionados.

Aunque seleccionar algunos de estos métodos podría resultar en datos sesgados o en una

capacidad limitada para hacer conclusiones generales basadas en los hallazgos, también

existen algunas situaciones en las que seleccionar este tipo de técnica de muestreo es la

mejor opción para cierta pregunta de investigación o para una etapa de la investigación.
  Muestreo por conveniencia

El muestreo por conveniencia es el que se basa en los sujetos disponibles, como detener

a las personas en la esquina de la calle mientras pasan por ahí, es un método de muestreo,

aunque es extremadamente riesgoso y debe realizarse con cautela. Este método, también

conocido como un método basado en los sujetos disponibles, no le permite al investigador

tener control sobre la representatividad de la muestra.

Sin embargo, es útil si el investigador quiere estudiar las características de las personas

que pasan por la esquina de una calle en un momento determinado, por ejemplo, o si el

tiempo y los recursos son limitados de tal forma que la investigación no sería posible de

otra manera.

Por esta razón, un muestreo de conveniencia está entre los tipos de muestreo que

comúnmente se utilizan en las fases iniciales o fase piloto de la investigación, antes de que

se lance un proyecto de investigación más grande. Aunque este método puede resultar útil,

el investigador no podrá utilizar los resultados de una muestra de conveniencia para

generalizar una población más amplia.

Un ejemplo más claro de este tipo de muestreo bien podría ser el siguiente:

Encuesta de satisfacción en una cafetería universitaria

Un estudiante de sociología quiere realizar una encuesta sobre la satisfacción de los

clientes en una cafetería dentro del campus universitario, como parte de un proyecto de

investigación.

Método de muestreo por conveniencia:

En lugar de seleccionar aleatoriamente a los clientes durante todo el día, el estudiante

decide encuestar únicamente a las personas que están sentadas en las mesas más

cercanas a la entrada entre las 12:00 y las 14:00 h, porque es cuando él tiene tiempo libre

y no necesita desplazarse mucho.

Ventajas:

• Es rápido y fácil de realizar.

• No requiere una planificación logística compleja.

Desventajas:
• No representa a toda la población (por ejemplo, personas que van en otros horarios

o que prefieren llevar su pedido).

• Tiene alto riesgo de sesgo y no permite generalizaciones válidas.

 Muestreo deliberado, crítico o por juicio

El muestreo deliberado, crítico o por juicio es aquel que se selecciona con base en el

conocimiento de una población o propósito del estudio.

Por ejemplo, cuando sociólogos quieren estudiar los efectos emocionales y psicológicos a

largo plazo de la terminación de un embarazo, se puede crear una muestra que incluya

solamente a mujeres que se habían sometido a un aborto.

En este caso, los investigadores pueden utilizar una muestra intencional porque los

entrevistados cumplen con una descripción o propósito específico que es necesario para

realizar la investigación.

Veamos un ejemplo más claro:

Una universidad quiere evaluar el desempeño de sus profesores para mejorar la calidad

educativa. En lugar de encuestar a todos los estudiantes o seleccionar una muestra al azar,

el departamento académico decide aplicar el muestreo por juicio.

Método de muestreo deliberado:

Se elige intencionalmente a un grupo de estudiantes de último año de carrera, porque se

considera que tienen mayor experiencia, han tomado clases con muchos profesores y

pueden hacer valoraciones más críticas y completas.

El equipo de investigación considera que estos estudiantes tienen un conocimiento

profundo del sistema educativo de la universidad y, por lo tanto, su opinión es especialmente

valiosa.

Ventajas:

• Permite obtener información de alta calidad desde una perspectiva experta.

• Útil cuando se necesita una evaluación crítica o profunda.

Desventajas:

• Alta subjetividad en la selección de la muestra.

• No representa a toda la población estudiantil, por lo que no se pueden hacer

 Muestreo Bola de Nieve

Es adecuado utilizar un muestreo bola de nieve cuando los miembros de una población

son difíciles de localizar, como las personas sin hogar, trabajadores migrantes o inmigrantes

indocumentados. Una muestra de bola de nieve es aquella en la que el investigador recopila

datos sobre los pocos miembros de la población objetivo que puede localizar, y luego les

pide que le proporcionen la información necesaria para localizar a otros miembros que

conozcan de esa población. Por ejemplo, si un investigador quiere entrevistar a inmigrantes

indocumentados de México, podría entrevistar a algunos indocumentados que conozca o

pueda localizar, y luego dependerá de esos sujetos para que lo ayuden a localizar a más

individuos indocumentados.

Este proceso continúa hasta que el investigador tenga todas las entrevistas que necesita o

hasta que se hayan agotado todos los contactos. Esta técnica es útil cuando se estudia un

tema sensible en el que la gente podría no hablar abiertamente, o si hablar sobre los temas

investigados podría poner en peligro su seguridad. Una recomendación de un amigo o

conocido de que el investigador es confiable funciona para aumentar el tamaño de la

muestra.

Un ejemplo más preciso podría ser el siguiente:

Estudio sobre el consumo de drogas en jóvenes de una comunidad

Un investigador quiere estudiar patrones de consumo de drogas ilegales entre jóvenes de

una comunidad urbana. Este es un tema sensible y la población es difícil de identificar y

contactar directamente.

Método de muestreo bola de nieve:

El investigador comienza entrevistando a un joven que accede a participar (un "informante

clave"). Al final de la entrevista, le pide que recomiende a otros jóvenes que también podrían

estar dispuestos a participar. Cada nuevo participante, a su vez, recomienda a más

personas, y así sucesivamente.

La población objetivo es oculta o difícil de alcanzar, por lo que se confía en las redes

personales de los participantes para expandir la muestra.

• Muy útil para investigar poblaciones ocultas, marginales o difíciles de identificar.

• Permite construir confianza con los participantes a través de referencias personales.

Desventajas:

• Sesgo elevado: las personas tienden a recomendar a otras con características

similares.

• La muestra no es aleatoria, por lo que no es representativa de toda la población.

• Difícil controlar la diversidad de la muestra.

 Muestreo por Cuotas

El muestreo por cuotas es aquel en la que las unidades son seleccionadas en una muestra

partiendo de las características predeterminadas, de modo que la muestra total tenga la

misma distribución de características que se supone que existen en la población que está

siendo estudiada. Por ejemplo, si eres un investigador que está realizando una muestra

por cuota nacional, podrías necesitar saber qué proporción de la población es masculina y

qué proporción es femenina.

Así como también qué proporciones de los miembros de cada género pertenecen a las

diferentes categorías de edad, raza o étnicas, educativas, entre otras. Después, el

investigador recogería una muestra con las mismas proporciones que la población nacional.

Otra situación en la que se puede emplear este tipo de muestreo es la siguiente:

Encuesta de opinión sobre un nuevo producto de belleza

Una empresa de cosméticos quiere saber qué opinan las personas sobre un nuevo producto

facial antes de lanzarlo al mercado.

Método de muestreo por cuotas:

La empresa decide encuestar a 100 mujeres y 100 hombres, entre 18 y 45 años, de tres

niveles socioeconómicos distintos (alto, medio y bajo). Los encuestadores tienen la

instrucción de cumplir esas cuotas específicas (por ejemplo, 30 personas de nivel alto, 70

de nivel medio, 100 de nivel bajo), sin necesidad de seleccionar a las personas

aleatoriamente.

Los encuestadores buscan activamente personas en centros comerciales o por redes

subgrupos (sexo, edad, nivel socioeconómico) estén representados en proporciones

específicas que se consideran importantes para el estudio.

Ventajas:

• Es más rápido y económico que un muestreo probabilístico.

• Asegura la representación de subgrupos clave.

• Útil cuando se tiene información previa sobre la estructura de la población.

Desventajas:

• No es aleatorio, lo que puede introducir sesgos.

• No permite estimar el error muestral con precisión.

• La calidad depende mucho del criterio de los encuestadores.

 Muestreo probabilístico

El muestreo probabilístico es una técnica en la cual las muestras son recogidas mediante

un proceso que les brinda a todos los individuos de la población la misma oportunidad de

ser seleccionados.

Muchos consideran que este es metodológicamente el enfoque más riguroso para el

muestreo, ya que elimina los sesgos sociales que podrían moldear la muestra de

investigación. Sin embargo, en última instancia la técnica de muestreo que elijas debe ser

la que te permita responder mejor a tu pregunta de investigación.

 Muestreo aleatorio simple

El muestreo aleatorio simple es el método de muestreo básico utilizado en métodos

estadísticos y cálculos.

Para recopilar una muestra aleatoria simple, a cada unidad de la población objetivo se le

asigna un número. Luego se genera un conjunto de números aleatorios y las unidades que

tienen esos números son incluidas en la muestra.

Por ejemplo, supongamos que tienes una población de 1,000 personas y quieres

seleccionar una muestra aleatoria simple de 50 personas. Primero, cada persona está

numerada del 1 al 1,000. Luego, generas una lista de 50 números aleatorios, generalmente

con un programa informático, y los individuos que tienen asignados estos números son los
que vas a incluir en la muestra. Cuando se estudia a las personas, está técnica funciona

mejor con una población homogénea, que no sean muy diferentes en edad, raza,

escolaridad o clase, ya que con una población heterogénea se corre el riesgo de crear una

muestra sesgada si no se toman en cuenta las diferencias demográficas. A modo de

ejemplo, teneos el siguiente caso:

Encuesta de satisfacción estudiantil en una universidad

Una universidad quiere conocer el nivel de satisfacción de sus estudiantes con los servicios

ofrecidos (biblioteca, cafetería, atención administrativa, etc.).

Método de muestreo aleatorio simple:

La universidad tiene una base de datos con los nombres de todos sus 10,000 estudiantes.

Usando un generador de números aleatorios o un software estadístico (como Excel, R o

SPSS), selecciona al azar a 400 estudiantes para que participen en la encuesta.

Cada estudiante tiene la misma probabilidad de ser seleccionado. No se consideran

características específicas como carrera, edad o sexo en esta etapa.

Ventajas:

• Método justo y objetivo.

• Permite aplicar inferencias estadísticas válidas (como intervalos de confianza y

pruebas de hipótesis).

• Fácil de entender y aplicar cuando se tiene acceso a toda la población.

Desventajas:

• Requiere una lista completa de todos los miembros de la población.

• Puede ser logísticamente difícil si la población está muy dispersa o no está bien

registrada.

• No garantiza representación de subgrupos si no se hace un muestreo estratificado.

 2. Muestreo sistemático

El muestreo sistemático es aquel en el que los elementos de la población se ponen en una

lista y luego cada enésimo elemento de la lista se selecciona sistemáticamente para su

inclusión en la muestra. Por ejemplo, si la población de estudio contenía 2,000 estudiantes

de una secundaria y el investigador quería una muestra de 100 estudiantes, los estudiantes
se colocarían en forma de lista y luego cada veinteavo estudiante sería seleccionado para

ser incluido en la muestra.

Para garantizar que no haya ningún sesgo humano en este método, el investigador debe

seleccionar aleatoriamente al primer individuo. Esto es técnicamente llamado una muestra

sistemática con un inicio aleatorio. Véase el siguiente ejemplo:

Una fábrica produce 10,000 botellas por día. El departamento de control de calidad quiere

inspeccionar 200 botellas para verificar que no tengan defectos.

Método de muestreo sistemático:

1. Se calcula el intervalo de muestreo (k):

k=10,000200=50k = \frac{10,000}{200} = 50k=20010,000=50

Es decir, se inspeccionará una de cada 50 botellas.

2. Se elige al azar un número entre 1 y 50 para iniciar (por ejemplo, el 17).

A partir de ahí, se seleccionan las botellas número: 17, 67, 117, 167... hasta

completar las 200 muestras.

Se utiliza un patrón fijo (cada 50 unidades) para seleccionar la muestra, lo que simplifica el

proceso en producción continua.

Ventajas:

• Más sencillo y rápido que un muestreo aleatorio simple.

• Útil en líneas de producción o listas organizadas.

• Requiere menos recursos una vez establecido el intervalo.

Desventajas:

• Puede haber sesgo si hay un patrón cíclico en la población que coincide con el

• Menos aleatorio que otros métodos si no se elige bien el punto de partida.

 3. Muestreo estratificado

El muestreo estratificado es una técnica de muestreo en la que el investigador divide a toda

la población objetivo en diferentes subgrupos o estratos, y luego selecciona aleatoriamente

a los sujetos finales de los diferentes estratos de forma proporcional. Este tipo de muestreo

se utiliza cuando el investigador quiere resaltar subgrupos específicos dentro de una

población.
Por ejemplo, para obtener una muestra estratificada de estudiantes universitarios, el

investigador primero tendría que organizar a la población por grado universitario y luego

seleccionar el número adecuado de estudiantes de primer, segundo, tercer y último año.

Esto aseguraría que el investigador tenga cantidades adecuadas de sujetos de cada grado

en la muestra final o, por otro lado, podría plantearse de la siguiente manera:

Encuesta de satisfacción en una universidad dividida por facultades

Una universidad quiere medir la satisfacción de sus estudiantes con los servicios

académicos, pero está dividida en 4 facultades: Ingeniería, Derecho, Medicina y

Humanidades.

Método de muestreo estratificado:

1. Se divide la población total de estudiantes en estratos, según su facultad

(porque se espera que sus experiencias sean diferentes).

Por ejemplo:

• Ingeniería: 4,000 estudiantes

• Derecho: 2,000 estudiantes

• Medicina: 3,000 estudiantes

• Humanidades: 1,000 estudiantes

Total: 10,000 estudiantes

2. Se decide encuestar a 500 estudiantes. Se asignan proporcionalmente según el

tamaño de cada estrato:

• Ingeniería: 200

• Derecho: 100

• Medicina: 150

• Humanidades: 50

3. Luego, dentro de cada estrato, se seleccionan los estudiantes aleatoriamente.

El muestreo estratificado garantiza que cada facultad esté representada adecuadamente

en la muestra, lo que mejora la precisión de los resultados y permite comparaciones entre

grupos.

Ventajas:
• Mayor precisión que el muestreo aleatorio simple si hay diferencias claras entre

estratos.

• Asegura la representación de todos los subgrupos importantes.

• Permite análisis comparativos entre estratos.

Desventajas:

• Requiere conocer información previa para clasificar a la población.

• Es más complejo de organizar y analizar.

 4. Muestreo por conglomerados

El muestreo por conglomerados puede ser utilizado cuando es imposible o impráctico

elaborar una lista exhaustiva de los elementos que constituyen a la población objetivo. Sin

embargo, generalmente los elementos de la población ya están agrupados en

subpoblaciones y las listas de esas subpoblaciones ya existen o pueden ser creadas.

Por ejemplo, supongamos que la población objetivo de un estudio eran los miembros de

iglesias en Guatemala. No existe una lista de los miembros de las iglesias en el país.

Sin embargo, el investigador podría elaborar una lista de iglesias ubicadas en Guatemala,

seleccionar una muestra de iglesias y luego conseguir listas de los miembros de esas

iglesias. O bien, véase el siguiente planteamiento:

Encuesta nacional de hábitos alimenticios en estudiantes de secundaria

Un ministerio de salud quiere hacer una encuesta nacional sobre hábitos alimenticios en

estudiantes de secundaria, pero no tiene los recursos para visitar a cada estudiante

individualmente en todo el país.

Método de muestreo por conglomerados:

1. Definición del conglomerado:

Se consideran como conglomerados a las escuelas. En lugar de seleccionar a

estudiantes individualmente en todo el país, se seleccionan escuelas completas al

azar.

2. Selección de la muestra:

De una lista de todas las escuelas secundarias del país, se eligen al azar, por

ejemplo, 100 escuelas. Luego, dentro de cada escuela seleccionada, se encuestan

Es mucho más eficiente y económico visitar unas pocas escuelas y encuestar allí a

varios estudiantes, que tratar de localizar a estudiantes dispersos en todo el país.

Ventajas:

• Reducción de costos y tiempo de recolección de datos.

• Útil cuando la población está dispersa geográficamente.

• No se necesita una lista completa de todos los individuos, solo de los

conglomerados.

Desventajas:

• Menor precisión estadística en comparación con el muestreo aleatorio simple o

estratificado.

• Mayor riesgo de error muestral si los conglomerados son muy heterogéneos

internamente.

• Si los conglomerados son muy similares entre sí, puede no haber suficiente

variabilidad.

 Teorema del límite central

El teorema del límite central es una premisa estadística según la cual, dado un tamaño de

muestra suficientemente grande de una población con un nivel finito de varianza, la media

de todas las variables muestreadas de la misma población será aproximadamente igual a

la media de toda la población. Según el teorema del límite central, la media de una muestra

de datos se acercará más a la media del conjunto de la población en cuestión a medida que

aumente el tamaño de la muestra, independientemente de la distribución real de los datos.

Qué es el teorema del límite central (CLT)

En teoría de la probabilidad, el teorema del límite central (CLT) afirma que la distribución de

una variable muestral se aproxima a una distribución normal (es decir, a una «curva de

campana») a medida que aumenta el tamaño de la muestra, suponiendo que todas las

muestras son idénticas en tamaño e independientemente de la forma real de la distribución

de la población. Dicho de otro modo, la CLT es una premisa estadística según la cual, dado

un tamaño de muestra suficientemente grande de una población con un nivel finito de

aproximadamente igual a la media de toda la población. Además, estas muestras se

aproximan a una distribución normal y sus varianzas son aproximadamente iguales a la

varianza de la población a medida que aumenta el tamaño de la muestra, según la ley de

los grandes números. Aunque este concepto fue desarrollado por primera vez por Abraham

de Moivre en 1733, no se formalizó hasta 1920, cuando el célebre matemático húngaro

George Pólya lo bautizó como teorema del límite central.

Para qué sirve el teorema del límite central (CLT)

Según el teorema del límite central, la media de una muestra de datos se acercará más a

la media del conjunto de la población en cuestión a medida que aumente el tamaño de la

muestra, independientemente de la distribución real de los datos. En otras palabras, los

datos son exactos tanto si la distribución es normal como si es aberrante. Por regla general,

se considera que un tamaño de muestra de entre 30 y 50 es suficiente para que se cumpla

la CLT, lo que significa que la distribución de las medias muestrales es bastante normal. Por

lo tanto, cuantas más muestras se tomen, más se asemejarán los resultados a una

distribución normal. Tenga en cuenta, sin embargo, que el teorema del límite central seguirá

aproximándose en muchos casos para tamaños de muestra mucho más pequeños, como

n=8 o n=5.3

Componentes clave del teorema del límite central

El teorema del límite central consta de varias características clave. Estas características

giran en gran medida en torno a las muestras, el tamaño de las muestras y la población de

datos.

1. El muestreo es sucesivo. Esto significa que algunas unidades de muestra son

comunes con unidades de muestra seleccionadas en ocasiones anteriores.

2. El muestreo es aleatorio. Todas las muestras deben seleccionarse al azar para que

tengan la misma posibilidad estadística de ser seleccionadas.

3. Las muestras deben ser independientes. Las selecciones o los resultados de una

muestra no deben influir en las muestras futuras ni en los resultados de otras muestras.

4. Las muestras deben ser limitadas. A menudo se dice que una muestra no debe
superar el 10% de una población si el muestreo se realiza sin reemplazo. En general,

los tamaños de población mayores justifican el uso de tamaños de muestra mayores.

5. El tamaño de la muestra aumenta. El teorema del límite central es pertinente a medida

que se seleccionan más muestras.

 Distribución muestral de la media

La distribución de la media muestral es la distribución de probabilidad de todos los valores

de la media muestral, que, como variable aleatoria, tiene una media, la cual es su valor

esperado, mismo que es igual a la media poblacional cuando se utiliza el muestreo aleatorio

simple. Consecuentemente, el valor esperado de la media muestral es un estimador

insesgado de la media poblacional.

Para calcular la desviación estándar de la media muestral, se tienen dos casos, cuando la

población es finita se utiliza la siguiente fórmula:

La siguiente fórmula corresponde al caso de una población infinita, aunque también se

utiliza cuando la población es finita y el tamaño de la muestra es menor o igual al 5% del

tamaño de la población:

Es importante notar que en ambos casos se da por hecho que se conoce la desviación

estándar poblacional. La diferencia entre ambas fórmulas se conoce como factor de

corrección para una población finita, el cual es casi igual a 1 cuando la población es finita y

muy grande, mientras que el tamaño de la muestra es pequeño. En tales casos, la diferencia

entre los resultados que se obtienen con ambas fórmulas es despreciable. Luego, la

desviación estándar de la media muestral para poblaciones infinitas es una buena

aproximación cuando se trabaja con poblaciones finitas.

Ilustración 10. Formula de distribución muestral de la media

A la desviación estándar de la media muestral se le conoce como error estándar. En otras

palabras, el error estándar es la desviación estándar de un estimador puntual, en este caso

la media muestral. Por ejemplo: Si los administradores de la universidad saben que la

desviación estándar poblacional es igual a 3.3 y el tamaño de la muestra es igual a 30,

tenemos:

 Distribución muestral de una proporción

La distribución muestral de una proporción se refiere a la distribución de los valores posibles

de la proporción muestral (p̂ ), obtenida al seleccionar muchas muestras aleatorias de una

misma población y calcular la proporción de éxitos en cada una. Se utiliza cuando se trabaja

con variables categóricas (por ejemplo: con lentes/sin lentes, aprueba/no aprueba, vota/no

vota).

Esta distribución es clave para realizar inferencias estadísticas sobre la proporción real de

la población, a partir de los datos obtenidos en una muestra.

¿Para qué sirve?

La distribución muestral de una proporción sirve para:

- Estimar la proporción poblacional (por ejemplo, qué porcentaje de estudiantes fuma o

vota).

- Calcular márgenes de error para construir intervalos de confianza.

- Realizar pruebas de hipótesis sobre una proporción.

- Tomar decisiones basadas en evidencias en campos como medicina, economía,

educación o política.

Fórmulas importantes

1. Proporción muestral:

p=x/n

Donde:

- x: número de éxitos en la muestra

- n: tamaño de la muestra

2. Media de la distribución muestral:

Este valor indica cuánta variabilidad hay entre las distintas proporciones muestrales.

3. Desviación estándar (error estándar):

Este valor indica cuánta variabilidad hay entre las distintas proporciones muestrales.

Condiciones para aplicar una distribución normal

Para que la distribución de p̂ pueda aproximarse a una distribución normal, se deben cumplir

las siguientes condiciones:

- Los ensayos deben ser independientes.

- La población debe ser al menos 10 veces más grande que la muestra.

- Se deben cumplir las condiciones de normalidad:

n · p ≥ 10 y n · (1 - p) ≥ 10

Ejemplo

Situación:

En una universidad, se estima que el 30% de los estudiantes practican deporte

regularmente. Se toma una muestra aleatoria de 150 estudiantes.

1. Media:

μ_p̂ = p = 0.30

2. Desviación estándar:

σ_p̂ = √[0.30(1 - 0.30) / 150] = √[0.21 / 150] ≈ 0.037

3. Condiciones de normalidad:

150 · 0.30 = 45 ≥ 10 y 150 · 0.70 = 105 ≥ 10

4. Aplicación:

Se puede calcular, por ejemplo, la probabilidad de que en otra muestra de 150

estudiantes, menos del 25% practique deporte:

z = (0.25 - 0.30) / 0.037 ≈ -1.35 ⇒ P (Z < -1.35) ≈ 0.0885

Aplicaciones prácticas

- Encuestas electorales: estimar la intención de voto.

- Estudios de mercado: saber qué proporción prefiere una marca.

- Investigación en salud: evaluar la efectividad de un tratamiento.

- Educación: determinar cuántos estudiantes comprenden un tema.

La distribución muestral de una proporción es una herramienta esencial en estadística

inferencial. Permite estimar proporciones poblacionales y calcular probabilidades, siempre

que se cumplan ciertas condiciones. Es ampliamente utilizada en distintos campos para

fundamentar decisiones con datos confiables y representativos.