1

15 DE JULIO 2023

MUESTREO Y ESTIMACION
PROFESORA: MAG. ANA HURTADO
 2

UNIVERSIDAD NACIONAL
EXPERIMENTAL DE LOS LLANOS
OCCIDENTALES EZEQUIEL ZAMORA
BARINAS PROGRAMA CIENCIAS
SOCIALES CONTADURÍA PÚBLICA

MUESTREO Y ESTIMACION

SECCION F01
ESTADISTICA
MODULO IV

ESTUDIANTE:
GLEIDIS RUIZ CI V-16.000.304
 3

INDICE

Introducción.....................................................4
MUESTREO :
Concepto, ventajas y desventajas
..........................................................................5
Diseño muestral ...............................................7

El Teorema central del límite ............................8

Muestreos probabilísticos.................................9

Muestreos no probabilísticos...........................12

Tamaño de la muestra..................................... 14

ESTIMACION
Definición de estimación de parámetros y
estimador.........................................................15

Tipos de estimación: estimadores puntuales y

por intervalo.....................................................17

Estimación de la media de una población

.........................................................................20

Conclusión .....................................................24

Bibliografia .....................................................25
 4

INTRODUCCIÓN

El muestreo y la estimación son dos conceptos clave en el campo de

la estadística, herramientas esenciales para la toma de decisiones en

diversas áreas como la economía, la salud, la educación, las ciencias

sociales, entre otras. El muestreo se refiere al proceso de selección de

una porción de la población que se utilizará para realizar un estudio.

Este subconjunto, llamado muestra, puede ser analizado para hacer

inferencias sobre la población total. En el muestreo, se utilizan

diferentes métodos, tales como el muestreo aleatorio simple, el muestreo

sistemático, el muestreo estratificado y el muestreo por conglomerados,

cada uno con sus propias ventajas y desventajas.

Por otro lado, la estimación es un proceso que se emplea para inferir

el valor de un parámetro poblacional a partir de los datos de una

muestra. La estimación puede ser puntual, cuando se determina un solo

valor que se considera como la mejor estimación del parámetro, y por

intervalos, cuando se proporciona un rango de valores posibles para el

parámetro. La estimación permite hacer generalizaciones sobre la

población a partir de la muestra, proporcionando un nivel de confianza

sobre la precisión de dicha generalización.

 5

CONCEPTO DE MUESTREO

El muestreo es un proceso mediante el cual se selecciona una parte de una

población o universo para su estudio o análisis estadístico. La muestra
seleccionada debe ser representativa de la población, es decir, que sus
características sean similares a las de la población en general.

El muestreo es una herramienta de la investigación científica que se utiliza

para reducir la carga computacional y proporcionar resultados que estén cerca del
análisis de un conjunto de datos completo. Existen diferentes tipos de muestreo,
como el muestreo aleatorio simple, el muestreo por cuotas, el muestreo intencional
o de conveniencia y el muestreo discrecional. El muestreo es necesario porque las
poblaciones pueden ser demasiado grandes y no es factible tomar datos de todos

EJEMPLO:
los individuos

Un ejemplo de muestreo aplicado a una empresa podría ser el siguiente:

Supongamos que una empresa desea evaluar la satisfacción de sus clientes

con respecto a un nuevo producto que han lanzado al mercado. En lugar de
encuestar a todos los clientes, deciden realizar un muestreo para obtener una
muestra representativa de la opinión de sus clientes.

1. Definición de la población: La población en este caso serían todos los clientes

de la empresa que han adquirido el nuevo producto.

2. Determinación del tamaño de la muestra: La empresa decide que desea

encuestar a 200 clientes para obtener una muestra representativa de la población.

3. Selección del tipo de muestreo: En este caso, podrían utilizar un muestreo

aleatorio simple. Podrían generar una lista de todos los clientes que han adquirido
el producto y luego seleccionar aleatoriamente 200 clientes de esa lista.

4. Realización de la encuesta: Una vez que se ha seleccionado la muestra, la

empresa puede enviar una encuesta a los clientes seleccionados. La encuesta
podría incluir preguntas sobre la satisfacción con el producto, la calidad, el
servicio al cliente, etc.
 6
5. Análisis de los resultados: Una vez que se han recopilado las respuestas de la
encuesta, la empresa puede analizar los datos para obtener información sobre la
satisfacción de los clientes con el nuevo producto. Pueden calcular estadísticas
descriptivas, como el promedio de satisfacción, la distribución de respuestas, etc.

Este es solo un ejemplo de cómo se podría aplicar un muestreo en una

empresa. La elección del tipo de muestreo y el tamaño de la muestra dependerá
de los objetivos de la empresa, los recursos disponibles y la representatividad
deseada de la muestra.

VENTAJAS DE MUESTREO

- Es más eficiente y económico que el censo, ya que se consideran menos

unidades para su estudio, lo que reduce costos.
- Permite obtener resultados más rápidos y precisos que el censo.
- Es una herramienta útil para estudiar poblaciones grandes y dispersas.
- Puede ser más práctico y conveniente para estudios que implican la destrucción
de la unidad estudiada, como en el caso de experimentos con animales.
- Permite obtener información de una muestra representativa de la población, lo
que puede ser suficiente para hacer inferencias sobre la población en general.

- Las estimaciones resultantes del muestreo están sujetas al error de

muestreo, lo que significa que los resultados pueden no ser exactos.
- La información obtenida de una muestra puede ser menos precisa que la
información obtenida de un censo.

DESVENTAJAS DE MUESTREO

- La selección de la muestra puede ser sesgada, lo que puede afectar la

representatividad de la muestra.
- El tamaño de la muestra puede ser insuficiente para hacer inferencias precisas
sobre la población en genera.
- El muestreo selectivo no es aleatorio, lo que puede afectar la validez de los
resultados.
 7

DISEÑO MUESTRAL
El diseño muestral es el proceso mediante el cual se planifica la selección de
la muestra de una población con el fin de obtener información representativa de
dicha población. El diseño muestral implica seleccionar una muestra de la
población utilizando diferentes estrategias y procedimientos estadísticos, lo que
puede incluir la selección aleatoria simple, el muestreo estratificado, el muestreo
por conglomerados, el muestreo sistemático, entre otros. El diseño muestral
puede afectar la precisión e inferencias de una investigación o encuesta, por lo
que es importante elegir el mejor diseño en función del objetivo de la
investigación y el tamaño de la población.

ERRORES MUÉSTRALES Y NO MUÉSTRALES.

El error muestral se refiere a la variación natural existente entre muestras
tomadas de la misma población, y es el error que surge a causa de observar una
muestra de la población completa. El error muestral se puede controlar tomando
una muestra aleatoria de la población, suficientemente grande.

El error no muestral se refiere a errores aleatorios o sistemáticos que ocurren

durante la recopilación de datos, lo que hace que los datos difieran de los valores
reales. Los errores no muestrales pueden estar presentes tanto en las muestras
como en los censos en los que se recopilan los datos. A continuación, se
presentan algunas de las características y tipos de errores muestrales.

El tamaño de la muestra: ¿Cuántos son suficientes?

Muestra grande

Una muestra buena debe ser lo suficientemente grande como para ser
representativa de la población-objetivo.

Muestra pequeña

Si la muestra es demasiado pequeña, los resultados no serán precisos y se

podrían cometer errores en la interpretación de los datos.

La regla empírica

Para tener resultados confiables, una muestra debe contener al menos 30

observaciones.
 8
Características del error muestral:
- Es la diferencia entre los estadísticos obtenidos de la muestra y los parámetros
poblacionales que existen en la población.
- Surge por el hecho de utilizar una muestra en lugar de analizar a la población
completa.
- Puede ser controlado tomando una muestra aleatoria de la población,
suficientemente grande.

Tipos de errores muestrales:

- Error de muestreo aleatorio simple: es el error que surge cuando la muestra no
es representativa de la población.
- Error de muestreo estratificado: es el error que surge cuando la muestra no es
representativa de la población debido a la falta de estratificación.
- Error de muestreo por conglomerados: es el error que surge cuando la muestra
no es representativa de la población debido a la falta de agrupación.
- Error de muestreo sistemático: es el error que surge cuando la muestra no es
representativa de la población debido a un patrón sistemático en la selección de
la muestra.
EL TEOREMA CENTRAL DEL LÍMITE.
El Teorema Central del Límite es un resultado matemático que establece que,
si se toman muestras aleatorias suficientemente grandes de una población, la
distribución de las medias muestrales seguirá una distribución normal.
El teorema central del límite es importante porque permite hacer inferencias
sobre la población a partir de una muestra, incluso si la población no sigue una
distribución normal. Algunas de las características y aplicaciones del teorema
central del límite son:
- El teorema central del límite se aplica a la distribución de las medias muestrales.
- El teorema central del límite se aplica a muestras aleatorias suficientemente
grandes.
- El teorema central del límite permite hacer inferencias sobre la población a partir
de una muestra.
 9

MUESTREOS PROBABILÍSTICOS:

Definición.
Los muestreos probabilísticos son aquellos que se basan en el principio de
equiprobabilidad, es decir, aquellos en los que todos los elementos de la
población tienen la misma probabilidad de ser elegidos para formar parte de una
muestra. Estos métodos de muestreo son los más recomendables, ya que
aseguran la representatividad de la muestra extraída.
Por ejemplo, si tienes una población de 100 personas, cada persona tendría una
probabilidad de 1 de 100 de ser seleccionado. El método de muestreo
probabilístico te ofrece la mejor oportunidad de crear una muestra representativa
de la población.

Procedimiento de selección:
1.- Elige cuidadosamente tu población de interés: piensa detenidamente y elige
entre la población de manera correcta. Las personas que crees que tienen
opiniones que deban recopilarse son las que tienes que incluir en tu muestra.
2.- Determina un marco de muestra adecuado: tu marco debe incluir una muestra
de tu población de interés y nadie del exterior. Esto es importante si quieres
recopilar datos precisos y que te sirvan.
3.-Selecciona tu muestra y comienza tu encuesta: a veces puede ser difícil
encontrar la muestra correcta y determinar el marco de muestra adecuado. Incluso
cuando todos los factores están a nuestro favor, muchas veces pueden haber
problemas imprevistos como el factor de costo, la calidad de los encuestados y la
rapidez de estos en responder.
Obtener una muestra para responder a una verdadera encuesta de
probabilidad puede ser difícil, pero no imposible.
En la mayoría de los casos, utilizar la técnica de muestreo probabilístico te
ahorrará tiempo, dinero y mucha frustración. Probablemente no puedas enviar
encuestas a todas las personas, pero siempre puedes darle a todos la oportunidad
de participar, de esto es de lo que se trata la técnica de muestreo de probabilidad.
 10
Métodos de muestreos probabilísticos:

- Muestreo aleatorio simple: en este tipo de muestreo, se le da a cada sujeto un

número y, posteriormente, se obtienen los números que formarán la muestra de

manera completamente aleatoria.

-Aleatorio con reposición: Los elementos seleccionados vuelven a formar parte

del conjunto del que hacemos el muestreo. Es a decir, pueden volver a ser

seleccionados.

-Aleatorio sin reposición: Una vez seleccionado un elemento no puede volver a

ser seleccionado.

- Muestreo por estratos: en este tipo de muestreo, la población se divide en

estratos o subgrupos que comparten características similares, y luego se toma

una muestra aleatoria simple de cada estrato.

La distribución de la muestra en función de los diferentes estratos se denomina

afijación, y puede ser de diferentes tipos:

Afijación Simple: A cada estrato le corresponde igual número de elementos

Afijación Proporcional: La distribución se hace de acuerdo con el peso

(tamaño) de la población en cada estrato.

- Muestreo sistemático: en este tipo de muestreo, se selecciona un elemento de

la población al azar y luego se seleccionan los elementos restantes de la muestra

a intervalos regulares.

- Muestreo por conglomerados: en este tipo de muestreo, la población se divide

en conglomerados o grupos naturales, y luego se seleccionan aleatoriamente

algunos conglomerados para formar la muestra.

 11
EJEMPLO DE MUESTREO PROBALISTICO

Un ejemplo de método de muestreo probabilístico aplicado a una empresa

podría ser el siguiente: supongamos que una empresa desea conocer la opinión

de sus empleados sobre el ambiente laboral en la empresa. Para ello, deciden

realizar un muestreo probabilístico para obtener una muestra representativa de la

opinión de sus empleados.

1. Definición de la población: La población en este caso serían todos los

empleados de la empresa.

2. Determinación del tamaño de la muestra: La empresa decide que desea

encuestar a 100 empleados para obtener una muestra representativa de la

población.

3. Selección del tipo de muestreo: En este caso, podrían utilizar un muestreo

aleatorio simple. Podrían generar una lista de todos los empleados de la empresa

y luego seleccionar aleatoriamente 100 empleados de esa lista.

4. Realización de la encuesta: Una vez que se ha seleccionado la muestra, la

empresa puede enviar una encuesta a los empleados seleccionados. La encuesta

podría incluir preguntas sobre el ambiente laboral, la satisfacción con el trabajo,

la relación con los compañeros, etc.

5. Análisis de los resultados: Una vez que se han recopilado las respuestas de la

encuesta, la empresa puede analizar los datos para obtener información sobre la

opinión de sus empleados sobre el ambiente laboral. Pueden calcular estadísticas

descriptivas, como el promedio de satisfacción, la distribución de respuestas, etc.

Este es solo un ejemplo de cómo se podría aplicar un método de muestreo

probabilístico en una empresa. La elección del tipo de muestreo y el tamaño de la

muestra dependerá de los objetivos de la empresa, los recursos disponibles y la

representatividad deseada de la muestra.

 12

MUESTREOS NO PROBABILÍSTICOS:
Los muestreos no probabilísticos son aquellos en los que no todos los

elementos de la población tienen la misma probabilidad de ser elegidos para

formar parte de una muestra. En estos métodos de muestreo, la selección de los

elementos de la muestra se realiza de manera subjetiva o intencional, lo que

puede generar sesgos en los resultados. A continuación, se presentan los tipos de

muestreos no probabilísticos más comunes:

- Muestreo por conveniencia: en este tipo de muestreo, se seleccionan los

elementos de la muestra en función de su accesibilidad o conveniencia para el

investigador.

- Muestreo por cuotas: en este tipo de muestreo, se establecen cuotas para cada

subgrupo de la población en función de su proporción en la población total, y

luego se seleccionan los elementos de la muestra que cumplan con esas cuotas.

- Muestreo por juicio: en este tipo de muestreo, la selección de los elementos de

la muestra se realiza en función del juicio subjetivo del investigador.

- Muestreo por bola de nieve: en este tipo de muestreo, se selecciona un

elemento de la muestra y luego se pide a ese elemento que recomiende a otros

elementos que cumplan con ciertas características para formar parte de la

muestra.

Los muestreos no probabilísticos son menos recomendables que los muestreos

probabilísticos, ya que no garantizan la representatividad de la muestra extraída y

pueden generar sesgos en los resultados. Sin embargo, en algunos casos pueden

ser útiles, como en estudios exploratorios o cuando la población es pequeña o

difícil de acceder.
 13
EJEMPLO DE MUESTREO NO PROBALISTICO

Un ejemplo de método de muestreo no probabilístico aplicado a una empresa

podría ser el siguiente: supongamos que una empresa desea conocer la opinión

de sus empleados sobre un nuevo programa de capacitación que han

implementado. En lugar de realizar un muestreo aleatorio simple, deciden utilizar

un método de muestreo no probabilístico para obtener una muestra de empleados

que hayan participado en el programa de capacitación.

1. Definición de la población: La población en este caso serían todos los

empleados de la empresa que han participado en el programa de capacitación.

2. Determinación del tamaño de la muestra: La empresa decide que desea

encuestar a 50 empleados que hayan participado en el programa de capacitación.

3. Selección del tipo de muestreo: En este caso, podrían utilizar un muestreo

intencional o de conveniencia. Podrían seleccionar a los empleados que hayan

participado en el programa de capacitación y estén disponibles para responder la

encuesta.

4. Realización de la encuesta: Una vez que se ha seleccionado la muestra, la

empresa puede enviar una encuesta a los empleados seleccionados. La encuesta

podría incluir preguntas sobre la efectividad del programa de capacitación, la

calidad de la capacitación, la utilidad de los materiales, etc.

5. Análisis de los resultados: Una vez que se han recopilado las respuestas de la

encuesta, la empresa puede analizar los datos para obtener información sobre la

opinión de los empleados que han participado en el programa de capacitación.

Pueden calcular estadísticas descriptivas, como el promedio de satisfacción, la

distribución de respuestas, etc.

Es importante tener en cuenta que los resultados obtenidos a través de un

muestreo no probabilístico pueden no ser representativos de la población en su

totalidad, ya que la selección de la muestra no se basa en probabilidades.

 14

TAMAÑO DE LA MUESTRA.
El tamaño de la muestra es un parámetro importante en el diseño muestral, ya

que afecta la precisión, el costo y la duración de la encuesta. El tamaño de la

muestra debe ser lo suficientemente grande para garantizar la representatividad

de la muestra y la precisión de los resultados.

El tamaño de la muestra depende de varios factores, como el nivel de

confianza deseado, el tamaño de la población, la variabilidad de la población y el

margen de error aceptable. En general, cuanto mayor sea la población, mayor

será el tamaño de la muestra necesario para garantizar la representatividad.

Es importante destacar que el tamaño de la muestra no es el único factor que

influye en la precisión de los resultados. Otros factores, como la calidad del

diseño muestral y la tasa de respuesta de la muestra, también pueden afectar la

precisión. Por lo tanto, es importante tener en cuenta todos estos factores al

diseñar una encuesta o estudio.

En resumen, el tamaño de la muestra es un parámetro importante en el diseño

muestral que afecta la precisión, el costo y la duración de la encuesta. El tamaño

de la muestra debe ser lo suficientemente grande para garantizar la

representatividad de la muestra y la precisión de los resultados, y depende de

varios factores, como el nivel de confianza deseado, el tamaño de la población, la

variabilidad de la población y el margen de error aceptable.

ESTIMACIÓN
La estimación es el proceso de calcular un valor numérico para un parámetro

poblacional a partir de una muestra de la población. El tamaño de la muestra es

un factor importante en la estimación, ya que afecta la precisión de los resultados.

Para estimar un parámetro poblacional, se utilizan diferentes métodos de

estimación, como la estimación puntual y la estimación por intervalos de

confianza.

En resumen, la estimación es el proceso de calcular un valor numérico para un

parámetro poblacional a partir de una muestra de la población.

 15

DEFINICIÓN DE ESTIMACIÓN DE PARÁMETROS Y ESTIMADOR..

La estimación de parámetros es el proceso de asignar un valor numérico a un

parámetro poblacional a partir de una muestra de la población. El valor numérico

que se utiliza para estimar el parámetro poblacional se llama estimador. Los

estimadores pueden ser puntuales o por intervalos de confianza.

Un estimador es un valor que se calcula a partir de los datos muestrales y se

utiliza para estimar el valor de un parámetro poblacional desconocido.

Es importante destacar que la elección del estimador depende del tipo de

parámetro que se quiere estimar y de las características de la población y de la

muestra. Además, la precisión del estimador depende del tamaño de la muestra y

de la calidad del diseño muestral. Los estimadores pueden ser puntuales o por

intervalos de confianza.

- Estimador puntual: es un valor numérico que se calcula a partir de la muestra y

se utiliza para estimar el valor del parámetro poblacional. Por ejemplo, la media

muestral se utiliza como estimador puntual de la media poblacional.

- Estimador por intervalos de confianza: es un rango de valores que se calcula a

partir de la muestra y se utiliza para estimar el valor del parámetro poblacional

con un cierto nivel de confianza. Por ejemplo, un intervalo de confianza del 95%

para la media poblacional indica que el valor real de la media poblacional se

encuentra dentro del intervalo con un 95% de confianza.

Es importante destacar que la estimación de parámetros es un proceso que

implica cierto grado de error, incluso si se utiliza un estimador óptimo. Por lo

tanto, se utilizan intervalos de confianza para tener en cuenta la incertidumbre en

la estimación. Además, el tamaño de la muestra es un factor importante en la

precisión de la estimación.
 16

PROPIEDADES DE UN BUEN ESTIMADOR.

Las propiedades de un buen estimador son las siguientes:

- Insesgadez: un estimador es insesgado si su valor esperado es igual al valor del

parámetro poblacional que se quiere estimar. Un estimador insesgado es deseable

porque no tiene un sesgo sistemático que afecte la precisión de la estimación.

- Eficiencia: un estimador es eficiente si tiene una varianza menor que la de otros

estimadores para el mismo parámetro poblacional. Un estimador eficiente es

deseable porque tiene una mayor precisión que otros estimadores.

- Consistencia: un estimador es consistente si su valor se aproxima al valor del

parámetro poblacional a medida que aumenta el tamaño de la muestra. Un

estimador consistente es deseable porque garantiza que la estimación se acerca

al valor real del parámetro a medida que se aumenta el tamaño de la muestra.

- Robustez: un estimador es robusto si es resistente a la presencia de valores

atípicos o errores de medición en la muestra. Un estimador robusto es deseable

porque no se ve afectado por valores extremos o errores de medición que puedan

afectar la precisión de la estimación.

Es importante destacar que no todos los estimadores pueden tener todas estas

propiedades al mismo tiempo, por lo que se debe elegir el estimador que mejor se

adapte a las características de la población y de la muestra.

 17

TIPOS DE ESTIMACION.
ESTIMACION PUNTUAL:

La estimación puntual es un tipo de estimación que se utiliza para obtener un

único valor que se aproxime al valor real de un parámetro poblacional. Algunos

aspectos importantes de los estimadores puntuales son:

- Un estimador puntual es un único valor estadístico que se utiliza para estimar un

parámetro poblacional desconocido.

- Los estimadores puntuales se utilizan para aproximar el valor del parámetro

desconocido a partir de la información de la muestra.

- Los estimadores puntuales pueden ser afectados por el tamaño de la muestra y

la variabilidad de los datos.

- Algunos ejemplos de estimadores puntuales son la media, la mediana, la moda y

la proporción.

- La elección del estimador puntual dependerá del parámetro que se desea

estimar y de las características de los datos.

- Es importante tener en cuenta que la estimación puntual puede ser menos

precisa que la estimación por intervalo, ya que no proporciona información sobre

la variabilidad de los dato.

En resumen, la estimación puntual es un tipo de estimación que se utiliza para

obtener un único valor que se aproxime al valor real de un parámetro poblacional.

Los estimadores puntuales se utilizan para aproximar el valor del parámetro

desconocido a partir de la información de la muestra, pero pueden ser afectados

por el tamaño de la muestra y la variabilidad de los datos. La elección del

estimador puntual dependerá del parámetro que se desea estimar y de las

características de los datos.

 18
EJEMPLOS DE ESTIMACION PUNTUAL

La estimación puntual se puede aplicar en una empresa de varias formas,

como por ejemplo:

1. Estimación de la media de ventas: Una empresa puede utilizar la estimación

puntual para obtener un único valor que represente la media de ventas de sus

productos. Para ello, se pueden recopilar los datos de ventas de un período

determinado y calcular la media aritmética de esos datos.

2. Estimación de la proporción de clientes satisfechos: Una empresa puede utilizar

la estimación puntual para obtener un único valor que represente la proporción de

clientes satisfechos con sus productos o servicios. Para ello, se puede realizar

una encuesta a una muestra de clientes y calcular la proporción de respuestas

positivas.

3. Estimación del tiempo promedio de respuesta al cliente: Una empresa puede

utilizar la estimación puntual para obtener un único valor que represente el tiempo

promedio de respuesta al cliente. Para ello, se pueden recopilar los tiempos de

respuesta de un período determinado y calcular la media de esos tiempos.

4. Estimación del nivel de inventario óptimo: Una empresa puede utilizar la

estimación puntual para obtener un único valor que represente el nivel de

inventario óptimo para satisfacer la demanda de sus productos. Para ello, se

pueden recopilar datos de ventas y pronósticos de demanda, y utilizar técnicas de

estimación para determinar el nivel adecuado de inventario.

Estos son solo algunos ejemplos de cómo se puede aplicar la estimación

puntual en una empresa. La elección del parámetro a estimar dependerá de los

objetivos y necesidades específicas de la empresa.

 19

ESTIMACION POR INTERVALO:

La estimación por intervalo es un tipo de estimación que se utiliza para obtener

un rango de valores que se espera que contenga el valor real de un parámetro

poblacional con un cierto nivel de confianza. Algunos aspectos importantes de la

estimación por intervalo son:

- La estimación por intervalo se basa en la distribución muestral del estimador y

en la probabilidad de que el valor real del parámetro poblacional se encuentre

dentro del intervalo.

- El nivel de confianza se refiere a la probabilidad de que el intervalo contenga el

valor real del parámetro poblacional.

- El tamaño de la muestra y la variabilidad de los datos pueden afectar la

precisión de la estimación por intervalo.

- La elección del nivel de confianza y del tamaño de la muestra dependerá de los

objetivos de la empresa y de la precisión deseada de la estimación.

Un ejemplo de estimación por intervalo en una empresa podría ser la

estimación del tiempo promedio de respuesta al cliente. Para ello, se podría

seleccionar una muestra de clientes y calcular el intervalo de confianza para la

media de tiempo de respuesta. Este intervalo proporcionaría una estimación del

rango de valores en el que se espera que se encuentre el valor real del tiempo de

respuesta con un cierto nivel de confianza.

En resumen, la estimación por intervalo es un tipo de estimación que se utiliza

para obtener un rango de valores que se espera que contenga el valor real de un

parámetro poblacional con un cierto nivel de confianza. La elección del nivel de

confianza y del tamaño de la muestra dependerá de los objetivos de la empresa y

de la precisión deseada de la estimación.

 20

ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN.

La estimación de la media de una población se puede obtener a través de

diferentes métodos, como el método de los momentos o el método de los mínimos

cuadrados. Sin embargo, uno de los métodos más comunes es el de la estadística

inferencial, donde se toma una muestra aleatoria de la población y se utiliza esta

muestra para estimar la media de la población. El intervalo de confianza es

utilizado para medir la precisión de esta estimación y se calcula a partir de la

desviación estándar de la muestra y el tamaño de la muestra. Cuanto mayor sea

el tamaño de la muestra, mayor será la precisión de la estimación de la media de

la población.

DISTRIBUCIÓN MUESTRAL DE MEDIAS

La distribución muestral de medias es la distribución que resulta de calcular la

media muestral de cada muestra posible de una población. Algunos aspectos

importantes de la distribución muestral de medias son:

- La distribución muestral de medias se utiliza para estudiar el comportamiento de

las medias muestrales y proporciona información sobre la variabilidad de las

medias muestrales.

- La distribución muestral de medias tiende a ser aproximadamente normal,

especialmente cuando el tamaño de la muestra es grande, debido al Teorema del

Límite Central.

- La media de la distribución muestral de medias es igual a la media poblacional.

- La desviación estándar de la distribución muestral de medias, conocida como

error estándar de la media, se calcula dividiendo la desviación estándar de la

población entre la raíz cuadrada del tamaño de la muestra.

- La distribución muestral de medias es fundamental en la inferencia estadística,

ya que se utiliza para construir intervalos de confianza y realizar pruebas de

hipótesis sobre la media poblacional.

En resumen, la distribución muestral de medias es la distribución que resulta

de calcular la media muestral de cada muestra posible de una población.

 21
CONSTRUCCIÓN DEL INTERVALO DE CONFIANZA PARA LA MEDIA PARA

MUESTRAS GRANDES Y PEQUEÑAS.

Para construir un intervalo de confianza para la media de una población, se

pueden utilizar diferentes métodos dependiendo del tamaño de la muestra. A

continuación se describen los métodos para muestras grandes y pequeñas:

Para muestras grandes (n>=30):

1. Calcular la media muestral y la desviación estándar muestral.

2. Calcular el error estándar de la media, que se obtiene dividiendo la desviación

estándar muestral entre la raíz cuadrada del tamaño de la muestra.

3. Utilizar la distribución normal estándar para encontrar el valor crítico

correspondiente al nivel de confianza deseado.

4. Calcular el intervalo de confianza sumando y restando el producto del valor

crítico y el error estándar de la media a la media muestral.

Para calcular el intervalo de confianza para la media poblacional con una

muestra grande (n>=30), se pueden seguir los siguientes pasos:

1. Calcular la media muestral (x̄ ) y la desviación estándar muestral (s).

2. Calcular el error estándar de la media (SEM), que se obtiene dividiendo la

desviación estándar muestral entre la raíz cuadrada del tamaño de la muestra (n).

3. Utilizar la distribución normal estándar para encontrar el valor crítico

correspondiente al nivel de confianza deseado. Por ejemplo, para un nivel de

confianza del 95%, el valor crítico es 1.96.

4. Calcular el intervalo de confianza sumando y restando el producto del valor

crítico y el error estándar de la media a la media muestral. El intervalo de

confianza se puede expresar como x̄ ± z*(SEM), donde z es el valor crítico

correspondiente al nivel de confianza deseado.

Por ejemplo, si se tiene una muestra de tamaño 50 y se desea construir un

intervalo de confianza del 95% para la media poblacional, se pueden seguir los

siguientes pasos:
 22
1. Calcular la media muestral (x̄ ) y la desviación estándar muestral (s).

2. Calcular el error estándar de la media (SEM), que se obtiene dividiendo la

desviación estándar muestral entre la raíz cuadrada del tamaño de la muestra (n).

En este caso, SEM = s/√50.

3. Utilizar la distribución normal estándar para encontrar el valor crítico

correspondiente al nivel de confianza deseado. Para un nivel de confianza del

95%, el valor crítico es 1.96.

4. Calcular el intervalo de confianza sumando y restando el producto del valor

crítico y el error estándar de la media a la media muestral. En este caso, el

intervalo de confianza es x̄ ± 1.96*(s/√50).

En resumen, para calcular el intervalo de confianza para la media poblacional

con una muestra grande, se pueden calcular la media muestral y la desviación

estándar muestral, calcular el error estándar de la media, utilizar la distribución

normal estándar para encontrar el valor crítico correspondiente al nivel de

confianza deseado y calcular el intervalo de confianza sumando y restando el

producto del valor crítico y el error estándar de la media a la media muestral.

Para muestras pequeñas (n<30):

1. Calcular la media muestral y la desviación estándar muestral.

2. Calcular el error estándar de la media, que se obtiene dividiendo la desviación

estándar muestral entre la raíz cuadrada del tamaño de la muestra menos uno.

3. Utilizar la distribución t de Student para encontrar el valor crítico

correspondiente al nivel de confianza deseado y al número de grados de libertad

(n-1).

4. Calcular el intervalo de confianza sumando y restando el producto del valor

crítico y el error estándar de la media a la media muestral.

En resumen, Para muestras grandes se utiliza la distribución normal estándar,

mientras que para muestras pequeñas se utiliza la distribución t de Student. En

ambos casos, se calcula el error estándar de la media y se utiliza el valor crítico

correspondiente al nivel de confianza deseado para calcular el intervalo de

confianza.
 23
Para calcular el intervalo de confianza para la media poblacional con una

muestra pequeña (n<30), se pueden seguir los siguientes pasos:

1. Calcular la media muestral (x̄ ) y la desviación estándar muestral (s).

2. Calcular el error estándar de la media (SEM), que se obtiene dividiendo la

desviación estándar muestral entre la raíz cuadrada del tamaño de la muestra

menos uno (n-1).

3. Utilizar la distribución t de Student para encontrar el valor crítico

correspondiente al nivel de confianza deseado y al número de grados de libertad

(n-1).

4. Calcular el intervalo de confianza sumando y restando el producto del valor

crítico y el error estándar de la media a la media muestral. El intervalo de

confianza se puede expresar como x̄ ± t*(SEM), donde t es el valor crítico

correspondiente al nivel de confianza deseado y al número de grados de libertad

(n-1).

Por ejemplo, si se tiene una muestra de tamaño 20 y se desea construir un

intervalo de confianza del 95% para la media poblacional, se pueden seguir los

siguientes pasos:

1. Calcular la media muestral (x̄ ) y la desviación estándar muestral (s).

2. Calcular el error estándar de la media (SEM), que se obtiene dividiendo la

desviación estándar muestral entre la raíz cuadrada del tamaño de la muestra

menos uno (n-1). En este caso, SEM = s/√19.

3. Utilizar la distribución t de Student para encontrar el valor crítico

correspondiente al nivel de confianza deseado y al número de grados de libertad

(n-1). Para un nivel de confianza del 95% y 19 grados de libertad, el valor crítico

es 2.093.

4. Calcular el intervalo de confianza sumando y restando el producto del valor

crítico y el error estándar de la media a la media muestral. En este caso, el

intervalo de confianza es x̄ ± 2.093*(s/√19).

 24

CONCLUSIÓN

El muestreo y la estimación son herramientas fundamentales en

la estadística que permiten la recogida de datos y la inferencia de

información sobre una población. A través de un correcto proceso de

muestreo se puede obtener una muestra representativa, y mediante

técnicas de estimación es posible inferir características de la

población total. Sin embargo, ambas técnicas implican cierto grado

de incertidumbre y error. Es vital seleccionar el método de muestreo
y estimación más apropiado para cada estudio, y tener en cuenta las

posibles fuentes de sesgo y error.

El uso de técnicas apropiadas de muestreo y estimación puede

proporcionar resultados valiosos que pueden ayudar a tomar
decisiones informadas en una variedad de campos. A pesar de sus

limitaciones, el muestreo y la estimación son fundamentales para la

investigación y el análisis estadístico, proporcionando un medio
eficiente y efectivo para aprender sobre grandes poblaciones.
 25

BIBLIOGRAFIA

https://www.atinternet.com/es/glosario/muestreo/

https://www.slideshare.net/Jonnyfidel/muestreo-23186385

https://es.wikipedia.org/wiki/Error_muestral

https://www.cimec.es/error-muestral-que-es-caracteristicas-tipos/

https://www.gestiopolis.com/muestreo-probabilistico-no-

probabilistico-teoria/

https://enciclopediaeconomica.com/muestreo-no-probabilistico/

https://economipedia.com/definiciones/estimacion-de-

parametros.html

https://www.superprof.es/apuntes/escolar/matematicas/estadistic

a/inferencia/estimacion-de-la-media-de-una-poblacion.html

https://www.probabilidadyestadistica.net/distribucion-muestral-

de-la-media/