Los estadísticos usan la palabra población para referirse no sólo a personas sino a todos los elementos que han sido elegidos para un estudio, y emplean la palabra muestra para describir una porción elegida de la población.

• Homogeneidad: debe ser extraída de la misma población.
• Independencia: las observaciones no deben estar mutuamente condicionadas entre sí.
• Representatividad: la muestra debe ser el mejor reflejo posible del conjunto del cual proviene.

Se emplean letras latinas minúsculas para denotar estadísticas de muestra y letras griegas o latinas mayúsculas para representar parámetros de población.

Un parámetro es un valor fijo (no aleatorio) que caracteriza a una población en particular. En general, una parámetro es una cantidad desconocida y rara vez se puede determinar exactamente su valor, por la dificultad práctica de observar todas las unidades de una población. Por este motivo, tratamos de estimar el valor de los parámetros desconocidos a través del empleo de muestras. Las cantidades usadas para describir una muestra se denominan estimadores o estadísticos muestrales.

Ahora bien, es razonable pensar que si tomamos diferentes muestras de la misma población y calculamos los diferentes estadísticos de cada una, esos valores van a diferir de muestra a muestra. Por lo tanto, un estadístico no es un valor fijo, sino que presenta las siguientes características:

• Puede tener varios resultados posibles.
• No se puede predecir de antemano su valor.

Estas son las condiciones que definen a una variable aleatoria. Un estadístico, entonces, es una variable aleatoria, función de las observaciones muestrales.

A los estadísticos muestrales se los designa con las letras latinas (x, s²), o letras griegas "con sombrero" ( ^,  ^²).

Si un estadístico es una variable aleatoria, entonces es posible determinar su distribución de probabilidades y calcular sus principales propiedades.

Selecciona muestras mediante métodos que permiten que cada posible muestra tenga igual probabilidad de ser seleccionada y que cada elemento de la población total tenga una oportunidad igual de ser incluido en la muestra.

Una población infinita es aquella en la que es teóricamente imposible observar todos los elementos. Aunque muchas poblaciones parecen ser excesivamente grandes, no existe una población realmente infinita de objetos físicos. Con recursos y tiempo ilimitados, podríamos enumerar cualquier población finita. Como cuestión práctica, entonces, utilizamos el término población infinita cuando hablamos acerca de una población que no podría enumerarse en un intervalo razonable.

La forma más fácil de seleccionar una muestra de manera aleatoria es mediante el uso de números aleatorios. Estos números pueden generarse ya sea con una computadora programada para resolver números o mediante una tabla de números aleatorios (tabla de dígitos aleatorios).

En el muestreo sistemático, los elementos son seleccionados de la población dentro de un intervalo uniforme que se mide con respecto al tiempo, al orden o al espacio.

El muestreo sistemático difiere del aleatorio simple en que cada elemento tiene igual probabilidad de ser seleccionado, pero cada muestra no tiene una posibilidad igual de ser seleccionada (Por ejemplo: tomar cada elemento de 10 en 10: el Nª 1, 11, 21...)

En este tipo de muestreo, existe el problema de introducir un error en el proceso de muestreo.

Aún cuando este tipo de muestreo puede ser inapropiado cuando los elementos entran en un patrón secuencial, este método puede requerir menos tiempo y algunas veces tiene como resultado un costo menor que el método aleatorio simple.

Dividimos la población en grupos relativamente homogéneos, llamados estratos. Después, se utiliza uno de estos planteamientos:

• Seleccionamos aleatoriamente de cada estrato un número específico de elementos correspondientes a la fracción de ese estrato en la población como un todo.
• Extraemos un número igual de elementos de cada estrato y damos peso a los resultados de acuerdo con la porción del estrato con respecto a la población total.

Con cualquiera de estos planteamientos, el muestreo estratificado garantiza que cada elemento de la población tenga posibilidad de ser seleccionado.

Este método resulta apropiado cuando la población ya está dividida en grupos de diferentes tamaños y deseamos tomar en cuenta este hecho (por ejemplo: categorías profesionales de la población).

La ventaja de las muestras estratificadas es que, cuando se diseñan adecuadamente, reflejan de manera más precisa las características de la población de la cual fueron elegidas.

Dividimos la población en grupos, o racimos, y luego seleccionamos una muestra aleatoria de estos racimos. Suponemos que estos racimos individualmente son representativos de la población como un todo (Por ejemplo: las cuadras o barrios de un pueblo). Un procedimiento de racimo bien diseñado puede producir una muestra más precisa a un costo considerablemente menor que el de un muestreo aleatorio simple.

Tanto en el muestreo estratificado como en el de racimo, la población se divide en grupos bien definidos. Usamos el muestreo estratificado cuando cada grupo tiene una pequeña variación dentro de sí mismo, pero hay una amplia variación dentro de los grupos. Usamos el muestreo de racimo en el caso opuesto, cuando hay una variación considerable dentro de cada grupo, pero los grupos son esencialmente similares entre sí.

Los principios del muestreo aleatorio simple son la base de la inferencia estadística, el proceso de hacer inferencias acerca de poblaciones a partir de información contenida en muestras.

• El uso de muestras en un estudio estadístico permite ahorrar mucho esfuerzo y dinero, y generalmente proporciona información muy precisa sobre las principales propiedades de la población.
• Para seleccionar una muestra, usar técnicas que permitan garantizar que se cumplan las propiedades de homogeneidad, independencia y representatividad.
• La técnica de muestreo utilizada depende de los objetivos del estudio, de las características de la población y de las disponibilidades de materiales.
• Cada dato cuesta dinero, así que para elegir el tamaño de la muestra hay que compatibilizar la precisión requerida con la variabilidad de los datos y los recursos disponibles.

Una distribución de probabilidad de todas las medias posibles de las muestras es una distribución de las medias de las muestras. Los estadísticos la conocen como distribución de muestreo de la media.

También podríamos tener una distribución de muestreo de una porción. Si trazamos una distribución de probabilidad de porciones posibles de un evento en todas las muestras, obtendríamos una distribución de las porciones de las muestras. A esto se lo conoce como distribución de la porción.

Cualquier distribución de probabilidad (y, por tanto, cualquier distribución de muestreo) puede ser descripta parcialmente por su media y su desviación estándar.

La variabilidad en las estadísticas de muestras proviene de un error de muestreo debido al azar; es decir, hay diferencias entre cada muestra y la población, y entre las diversas muestras, debido únicamente a los elementos que decidimos escoger para las muestras.

La desviación estándar de la distribución de las medias de las muestras mide el grado hasta el que esperamos que varíen las medias de las diferentes muestras debido a este error fortuito cometido en el proceso de muestreo. Por tanto, la desviación estándar de la distribución de una estadística de muestra se conoce como el error estándar de la estadística.

El error estándar indica no sólo el tamaño del error de azar que se ha cometido, sino también la probable precisión que obtendremos si utilizamos una estadística de muestra para estimar un parámetro de población. Una distribución de medias de muestra que está menos extendida (y que tiene un error estándar pequeño) es un mejor estimador de la media de la población que una distribución de medias de muestra que está ampliamente dispersa y que tiene un error estándar más grande.

Siempre que usamos pruebas, tenemos que tratar con el error estándar. Específicamente, necesitamos cierta medición de la precisión del instrumento de prueba, generalmente representado por el error estándar.

El conocimiento de la distribución de muestreo permite a los estadísticos planear muestras de tal forma que los resultados sean significativos. Debido a que resulta caro recabar y analizar muestras grandes, los administradores siempre procuran obtener la muestra más pequeña que proporcione un resultado confiable.

Si extraemos muestras de una población normalmente distribuida y calculamos sus medias, debido a que estamos promediando para obtener cada media de muestra, se promediarían hacia abajo valores muy grandes de la muestra y hacia arriba valores muy pequeños. El razonamiento consistiría en que nos estaríamos extendiendo menos entre las medias de muestra que entre los elementos individuales de la población original. Esto es lo mismo que afirmar que error estándar de la media, o la desviación estándar de la distribución de muestreo, sería menor que la desviación estándar de los elementos individuales en la población.

El error estándar de la media obtenido para situaciones en las que la población es infinita es:

 _x =  / n

Para convertir cualquier variable aleatoria normal en una variable aleatoria normal estándar, debemos sustraer la media de la variable que se está estandarizando y dividir el resultado entre el error estándar (la desviación estándar de dicha variable). En este caso particular:

Cuando una población está distribuida normalmente, la distribución de muestreo de la media también es normal.

Incluso en el caso en el que una población no está normalmente distribuida,  _x, la media de la distribución de muestreo, sigue siendo igual a la media de la población,  . Es decir, la distribución de muestreo de la media se acerca a la normalidad, sin importar la forma de la distribución de la población.

Esta relación entre la forma de la distribución de la población y la forma de la distribución de muestreo se denomina teorema del límite central, que es tal vez el más importante de toda la inferencia estadística. Nos asegura que la distribución de muestreo de la media se aproxima a la normal al incrementarse el tamaño de la muestra.

Hay situaciones teóricas en las que el teorema del límite central no se cumple, pero casi nunca se encuentran en la toma de decisiones práctica. Una muestra no tiene que ser muy grande para que la distribución de muestreo de la media se acerque a la normal. Los estadísticos utilizan la distribución normal como una aproximación a la distribución de muestreo siempre que el tamaño de la muestra sea al menos de 30, pero la distribución de muestreo de la media puede ser casi normal con muestras incluso de la mitad de ese tamaño.

La importancia del teorema del límite central es que nos permite usar estadísticas de muestra para hacer inferencias con respecto a los parámetros de población sin saber nada sobre la forma de la distribución de frecuencias de esa población más que lo que podamos obtener de la muestra.

El teorema del límite central nos permite utilizar las propiedades de la distribución normal en muchos casos en los que los datos subyacentes no están normalmente distribuidos. El hecho de que la distribución de muestreo sea aproximadamente normal es la base de una amplia variedad de pruebas estadísticas diferentes.

Al disminuir el error estándar, el valor de cualquier media de muestra probablemente se acercará al valor de la media de la población. Los estadísticos describen este fenómeno diciendo: al disminuir el error estándar, se incrementa la precisión con que se puede usar la media de muestra para estimar la media de población.

Debido al hecho de que  _x varía inversamente con la raíz cuadrada de n, hay una utilidad decreciente en el muestreo.

Es cierto que al muestrear más elementos disminuye el error estándar, pero este beneficio puede no valer el costo. El aumento de precisión puede no valer el costo del muestreo adicional.

Sea X una variable aleatoria con distribución normal, con parámetros  ,  ². Si sacamos muestras de tamaño n, y calculamos la media aritmética, se demuestra que bajo ciertas condiciones, X también es una variable aleatoria con distribución normal, con parámetros  ,  ²/n. Es decir:

Si X - N ( ,  ²), entonces X - N ( ,  ²/n)

Las dos distribuciones tienen la misma media, pero la dispersión de la media aritmética es menor, tanto más pequeña cuando mayor sea el tamaño de la muestra.

Como en un proceso de inferencia  es un parámetro desconocido, al extraer una muestra en particular y calcular x, no podemos determinar exactamente qué tan cerca estuvo esa estimación del valor verdadero del parámetro.

De lo único que podemos estar seguros es que, al aumentar el tamaño de la muestra, la distribución de la media aritmética tiende a concentrarse más y más alrededor de la media poblacional y, por tanto, las estimaciones van a estar más próximas al valor del parámetro (desconocido).

Lo más relevante de la media aritmética es que, aún cuando la variable en estudio no tenga distribución normal, o su distribución sea desconocida, si el número de elementos de la muestra es suficientemente grande, por aplicación del Teorema del Límite Central, la media aritmética igualmente va a tener aproximadamente distribución normal.

Por último, es interesante remarcar la idea de que la media aritmética es conceptualmente una variable aleatoria hasta el instante previo a calcular efectivamente su valor. Después de efectuar ese cálculo, tenemos un valor fijo (no aleatorio), y por lo tanto, deja de tener sentido hablar de la "probabilidad de la media aritmética".

El cálculo de probabilidades con la media aritmética tiene entonces validez en términos teóricos, es decir, representa "lo que se espera" que ocurra con dicha variable antes de tomar una muestra y calcular efectivamente su valor.

Para calcular el error estándar de la media, utilizamos la ecuación:

 _x =  / n

esta ecuación está diseñada para situaciones en las que la población es infinita, o en las que tomamos muestras de una población infinita con reemplazo.

La fórmula diseñada para encontrar el error estándar de la media cuando la población es finita y el muestreo se hace sin reemplazo es:

 _x =  / n x  (N - n) / (N - 1)

donde:

N = tamaño de la población

n = tamaño de la muestra

Este nuevo factor que aparece en la ecuación y se multiplica al error estándar original se conoce como multiplicador de la población finita.

Cuando muestreamos una pequeña fracción de la población entera (es decir, cuando el tamaño de la población N es muy grande en relación con el tamaño de la muestra n), el multiplicador de la población finita toma un valor cercano a 1.

Los estadísticos se refieren a la fracción n/N como la fracción de muestreo, porque es la fracción de la población N contenida en la muestra.

Cuando la fracción de muestreo es pequeña, el error estándar de la media para poblaciones finitas es tan cercano a la media para poblaciones infinitas, que bien podríamos utilizar la misma fórmula para ambas desviaciones.

La regla generalmente aceptada es: si la fracción de muestreo es menor a 0,05, no se necesita usar el multiplicar para la población finita.

Cuando utilizamos la ecuación para poblaciones infinitas,  es constante y, por tanto, la medida de la precisión de muestreo,  _x, depende solamente del tamaño de la muestra n y no de la fracción de población muestreada. Es decir, para hacer  _x más pequeña sólo es necesario agrandar n. En consecuencia, resulta que el tamaño absoluto de la muestra es el que determina la precisión del muestreo, no la fracción de la población muestreada.

• Cuando desee calcular probabilidades con la media aritmética, no olvide que al calcular la variable estandarizada, debe dividir por el desvío o error estándar de la media. Los resultados serán inexactos si omite este punto.
• Para verificar el funcionamiento de un proceso, medir el rendimiento de un método, etc. necesitamos conocer su valor medio. Si debemos estimar ese valor a través de la muestra, recuerde que la precisión de la estimación aumenta con el incremento del tamaño muestral. Evite realizar inferencias utilizando una sola observación.
• La aplicación del Teorema del Límite Central hace de la media aritmética una herramienta útil, aún en aquellos casos en que la distribución de la variable en estudio no es conocida, o no es normal.
• La disminución del error estándar no es directamente proporcional al tamaño de la muestra, así que es conveniente compatibilizar precisión con costos.

• Distribución de muestreo de la media: una distribución de probabilidad de todas las medias posibles de muestras de un tamaño dado, n, de una población.

• Distribución de muestreo de una estadística: para una población dada, distribución de probabilidad de todos los valores posibles que puede tomar una estadística, dado un tamaño de la muestra.

• Error de muestreo: error o variación entre estadísticas de muestra debido al azar, es decir, diferencias entre cada muestra y la población, y entre varias muestras, que se deben únicamente a los elementos que elegimos para la muestra.

• Error estándar: la desviación estándar de la distribución de muestreo de una estadística.

• Error estándar de la media: la desviación estándar de la distribución de muestreo de la media, una medida del grado en que se espera que varíen las medias de las diferentes muestras de la media de la población, debido al error aleatorio en el proceso de muestreo.

• Estadísticas: mediciones que describen las características de una muestra.

• Estimador o estadístico: cantidad que caracteriza a una muestra, y que sirve para aproximar el valor de un parámetro desconocido. Variable aleatoria, función de las observaciones muestrales, a través de la cual tratamos de inferir el valor de un parámetro poblacional.

• Estimación: valor particular de un estimador, que caracteriza a una muestra específica.

• Estratos: grupos dentro de una población formados de tal manera que cada grupo es relativamente homogéneo, aunque existe una variabilidad más amplia entre los diferentes grupos.

• Fracción de muestreo: la fracción o porción de la población contenida en una muestra.

• Inferencia estadística: proceso de análisis que consiste en inferir las propiedades de una población en base a la caracterización de la muestra.

• Muestra: subconjunto de la población seleccionado mediante algún criterio particular. Porción de elementos de una población elegidos para su examen o medición directa.

• Muestreo no aleatorio: conformación de la muestra en base al conocimiento o experiencia del observador.

• Muestreo aleatorio: conformación de la muestra usando métodos al azar.
• Muestreo aleatorio simple: métodos de selección de muestras que permiten a cada muestra posible una probabilidad igual de ser elegida y a cada elemento de la población completa una oportunidad igual de ser incluido en la muestra.

• Muestreo con reemplazo: procedimiento de muestreo en el que los elementos se regresan a la población después de ser elegidos, de tal forma que algunos elementos de la población pueden aparecer en la muestra más de una vez.

• Muestreo de juicio: método para seleccionar una muestra de una población en el que se usa el conocimiento o la experiencia personal para identificar aquellos elementos de la población que deben incluirse en la muestra.

• Muestreo de probabilidad o aleatorio: método para seleccionar una muestra de una población en el que todos los elementos de la población tienen igual oportunidad de ser elegidos en la muestra.

• Muestreo estratificado: la población se divide en estratos, y luego se muestra en forma proporcional en cada estrato. Método de muestreo aleatorio en el que la población se divide en grupos homogéneos, o estratos, y los elementos dentro de cada estrato se seleccionan al azar de acuerdo con una de dos reglas: 1) un número específico de elementos se extrae de cada estrato correspondiente a la porción de ese estrato en la población; 2) igual número de elementos se extraen de cada estrato, y los resultados son valorados de acuerdo con la porción del estrato de la población total.

• Muestreo de racimo (o por conglomerados): la población se divide en racimos y luego se elige aleatoriamente una muestra de racimos. Método de muestreo aleatorio en el que la población se divide en grupos o racimos de elementos y luego se selecciona una muestra aleatoria de estos racimos.

• Muestreo sin reemplazo: procedimiento de muestreo en el que los elementos no se regresan a la población después de ser elegidos, de tal forma que ningún elemento de la población puede aparecer en la muestra más de una vez.

• Muestreo sistemático: los elementos de la muestra son elegidos a intervalos fijos. Método de muestreo aleatorio usado en estadística en el que los elementos que se muestrearán se seleccionan de la población en un intervalo uniforme que se mide con respecto al tiempo, al orden o al espacio.

• Multiplicador de la población finita: factor que se utiliza para corregir el error estándar de la media en el estudio de una población de tamaño finito, pequeño con respecto al tamaño de la muestra.

• Parámetro: valor fijo que caracteriza a una población. Valores que describen las características de una población.

• Población: conjunto de elementos que son objeto de un estudio estadístico.

• Población finita: población que tiene un tamaño establecido o limitado.

• Precisión: el grado de exactitud con el que la media de la muestra puede estimar la media de la población, según revela el error estándar de la media.

• Racimos: grupos dentro de una población que son esencialmente similares entre sí, aunque los grupos mismos tengan amplia variación interna.

• Teorema del límite central: resultado que asegura que la distribución de muestreo de la media se acerca a la normalidad cuando el tamaño de la muestra se incrementa, sin importar la forma de la distribución de la población de la que se selecciona la muestra.

Podemos hacer dos tipos de estimaciones concernientes a una población:

• Una estimación puntual: es sólo u número que se utiliza para estimar un parámetro de población desconocido. Una estimación puntual a menudo resulta insuficiente, debido a que sólo tiene dos opciones: es correcta o está equivocada. Una estimación puntual es mucho más útil si viene acompañada por una estimación del error que podría estar implicado.
• Una estimación de intervalo: es un intervalo de valores que se utiliza para estimar un parámetro de población. Esta estimación indica el error de dos maneras: por la extensión del intervalo y por la probabilidad de obtener el verdadero parámetro de la población que se encuentra dentro del intervalo.

Un estimador es una estadística de muestra utilizada para estimar un parámetro de población. La media de la muestra puede ser un estimador de la media de la población, y la porción de la muestra se puede utilizar como estimador de la porción de la población. También podemos utilizar el alcance de la muestra como un estimador del alcance de la población.

Cuando hemos observado un valor numérico específico de nuestro estimador, nos referimos a ese valor como una estimación. Una estimación es un valor específico observado de una estadística. Hacemos una estimación si tomamos una muestra y calculamos el valor que toma nuestro estimador en esa muestra.

1. Imparcialidad. Se refiere al hecho de que una media de muestra es un estimador no sesgado de una media de población, porque la media de distribución de muestreo de las medias de muestras tomadas de la misma población es igual a la media de la población misma. Podemos decir que una estadística es un estimador imparcial (o no sesgado) si, en promedio, tiende a tomar valores que están por encima del parámetro de la población y la misma extensión con la que tiende a asumir valores por debajo del parámetro de población que se está estimando.
2. Eficiencia. Se refiere al tamaño del error estándar de la estadística. Si comparamos dos estadísticas de una muestra del mismo tamaño y tratamos de decidir cuál de ellas es un estimador más eficiente, escogeríamos la estadística que tuviera el menor error estándar o la menor desviación estándar de la distribución de muestreo. Tiene sentido pensar que un estimador con un error estándar menor (con menos desviación) tendrá una mayor oportunidad de producir una estimación más cercana al parámetro de población que se está considerando.
3. Coherencia. Una estadística es un estimador coherente de un parámetro de población si al aumentar el tamaño de la muestra, se tiene casi la certeza de que el valor de la estadística se aproxima bastante al valor del parámetro de la población. Si un estimador es coherente, se vuelve más confiable si tenemos tamaños de muestras más grandes.
4. Suficiencia. Un estimador es suficiente si utiliza una cantidad de la información contenida en la muestra que ningún otro estimador podría extraer información adicional de la muestra sobre el parámetro de la población.

Una estadística de muestra dada no siempre es el mejor estimador de su parámetro de población correspondiente. Considere una población distribuida simétricamente, en la que los valores de la mediana y de la media coinciden. En este caso, la media de la muestra sería un estimador imparcial de la mediana de la población debido a que asumiría valores que en promedio serían iguales a la mediana de la población. También, la media de la muestra sería un estimador consistente de la mediana de la población, puesto que, conforme aumenta el tamaño de la muestra, el valor de la media de la muestra tenderá a acercarse bastante a la mediana de la población. Y la media de la muestra sería un estimador más eficiente de la mediana de la población que la mediana misma, ya que en muestras grandes, la media de la muestra tiene una desviación estándar menor que la mediana de la muestra.

Al mismo tiempo, la mediana de la muestra de una distribución distribuida simétricamente sería un estimador imparcial y consistente de la media de la población, pero no el más eficiente estimador, porque en muestras grandes su error estándar es mayor que el de la media de la muestra.

Si conocemos la distribución de muestreo de la media, podemos llegar a conclusiones con respecto a cualquier estimación que podamos hacer a partir de la información de muestreo.

El estimador utilizado con más frecuencia para hacer la estimación de la desviación estándar de la población, es la desviación estándar de la muestra:

s² =  (x - x)² / (n - 1)

Al utilizar un divisor n - 1, nos da un estimador imparcial de  ².

La porción de unidades de una población dada que posee una característica particular se representa mediante el símbolo p. Si conocemos la porción de unidades de una muestra que tiene la misma característica, podemos utilizar esa p como estimador de p. Se puede mostrar que p tiene todas las características deseables: es imparcial (no sesgado), coherente, eficiente y suficiente.

Incluso cuando estamos utilizando el mejor estimador de un parámetro de población, aceptamos que puede estar implicado algo de error. Afirmamos que la estimación puntual y la medida de la varianza proporcionan información útil para las decisiones.

Si seleccionamos y representamos gráficamente un gran número de medias de muestras de una población, la distribución de tales medias se aproximará a la curva normal. Además, la media de las medias de muestra será la misma media de la población.

En lo que concierne a cualquier intervalo particular, éste contiene a la media de la población o no la contiene, pues la media de la población es un parámetro fijo, y no varía.

Cuando las organizaciones informan la precisión de encuestas de opinión como "estos resultados son precisos en más menos tres puntos", por lo general no establecen el nivel de confianza que están utilizando para hacer la estimación de intervalo. Una afirmación más completa tendría la forma. "existe un 95% de probabilidad de que la verdadera opinión de la población caiga dentro del intervalo comprendido entre ..... y ........"

La probabilidad que asociamos con una estimación de intervalo se conoce como nivel de confianza. Esta probabilidad indica qué tanta confianza tenemos de que la estimación de intervalo incluya al parámetro de población. Una probabilidad más alta indica más confianza.

El intervalo de confianza es el alcance de la estimación que estamos haciendo. Expresaremos el intervalo de confianza en términos de errores estándar, más que con valores numéricos. Los límites de confianza son los límites superior e inferior del intervalo de confianza

Podría pensarse que deberíamos utilizar un nivel alto de confianza en todos los problemas sobre estimaciones. En la práctica, sin embargo, altos niveles de confianza producen intervalos de confianza grandes, y éstos no son precisos, dan estimaciones bastante imprecisas.

A menudo resulta difícil o caro tomar más de una muestra de una población. Basados en solamente una muestra estimamos el parámetro de población.

El intervalo de confianza quiere decir que si seleccionamos muchas muestras aleatorias del mismo tamaño y si calculamos un intervalo de confianza para cada una de las muestras, tendremos un porcentaje de confianza determino de que en todos los casos la media de la población caerá dentro del intervalo.

Por otro lado, existe un cierto equilibrio entre la certidumbre de la estimación y el ancho de un intervalo de confianza.

 _x =  / n

Posteriormente, se establecen los límites de confianza superior e inferior, considerando el porcentaje de confianza requerido.

Cuando no se conoce la desviación estándar de la población, utilizamos la desviación estándar de la muestra para estimar la desviación estándar de la población:

s² =   [(x - x)² / (n - 1)]

La fórmula para derivar el error estándar de la media de poblaciones finitas es:

 _x = { / n} x  (N - n) / N - 1)

A partir de esto, podemos calcular el error estándar de la media mediante la desviación estándar de la población:

 ^´_x = { ´_x/ n} x  (N - n) / N - 1)

Cuando tenemos muestras grandes, utilizamos el Teorema del Límite Central, nuestro conocimiento de la curva normal y nuestra habilidad para hacer correcciones para poblaciones finitas.

Para calcular el tamaño de muestra, podemos utilizar la fórmula del error estándar de la media:

 _x =  / n

Si no conocemos la desviación estándar de la población, podemos utilizar el alcance de la población para obtener una estimación burda pero manejable de la desviación estándar. Sabemos que más menos tres desviaciones estándar incluyen 99,7% del área total bajo la curva normal, esto es, más tres desviaciones estándar y menos tres desviaciones estándar de la media incluyen casi toda el área de la distribución.

• Un estimador es una variable aleatoria, y por lo tanto es posible asociarle probabilidades, lo que resulta de suma utilidad como herramienta auxiliar para la toma de decisiones bajo condiciones de incertidumbre.
• Una estimación, en cambio, es un valor particular del estimador, calculado en base a una muestra dada. Por tanto, constituye un valor fijo (no aleatorio) que caracteriza a esa muestra en particular, pero que se usa para inferir el valor de un parámetro desconocido.
• Entre un estimador puntual y uno por intervalos, es preferible usar este último porque tiene asociado una probabilidad que contempla el error que se puede cometer en la aproximación.

• Estimación: valor específico de un estimador, calculado en base a una muestra dada.

• Estimación de intervalo: intervalo de valores utilizado para estimar un parámetro de población desconocido.

• Estimación de parámetros: Aproximación del valor de parámetros poblacionales desconocidos mediante el empleo de estadísticos muestrales.

• Estimación puntual: un solo número que se utiliza para estimar un parámetro de población desconocido.

• Estimador: estadística de muestra utilizada para estimar un parámetro de población. Conceptualmente es una variable aleatoria.

• Estimador coherente: estimador que produce valores que se acercan más al parámetro de la población conforme aumenta el tamaño de la muestra.

• Estimador eficiente: estimador con un menor error estándar que algún otro estimador del parámetro de la población, esto es, cuanto más pequeño sea el error estándar de un estimador, más eficiente será ese estimador.

• Estimador imparcial: estimador de un parámetro de población que, en promedio, asume valores por encima del parámetro de la población con la misma frecuencia, y al mismo grado, con que tiende a tomarlos por debajo del parámetro de la población.

• Estimador suficiente: estimador que utiliza toda la información disponible en los datos correspondientes a un parámetro.

• Intervalo de confianza: intervalo de valores que tiene designada una probabilidad de que incluya el valor real del parámetro de la población.

• Límites de confianza: límites inferior y superior de un intervalo de confianza.

• Nivel de confianza: probabilidad que los estadísticos asocian con una estimación de intervalo de un parámetro de población, ésta indica qué tan seguros están de que la estimación de intervalo incluirá el parámetro de la población. Probabilidad, designada de antemano, de que un intervalo de confianza incluya al valor del parámetro desconocido.

• Propiedades de un buen estimador: características deseables de un estimador, para lograr la mejor aproximación posible de un parámetro poblacional.

Pasos en la prueba de hipótesis:

1. Definir la hipótesis nula: suponer una hipótesis acerca de una población.
2. Formular una hipótesis alternativa: es una contra-hipótesis.
3. Definir un criterio de decisión para rechazar o no la hipótesis nula.
4. Recabar datos de la muestra.
5. Calcular una estadística de muestra.
6. Utilizar la estadística de muestra para evaluar la hipótesis.

Generalmente, se habla de "no rechazar" una hipótesis en lugar de "aceptar", ya que las pruebas no son concluyentes.

La prueba de hipótesis comienza con una suposición, llamada hipótesis, que hacemos con respecto a un parámetro de población. Después recolectamos datos de muestra, producimos estadísticas de muestra y usamos esta información para decidir qué tan probable es que sea correcto nuestro parámetro de población acerca del cual hicimos la hipótesis.

Debemos establecer el valor supuesto o hipotetizado del parámetro de población antes de comenzar a tomar la muestra. La suposición que deseamos probar se conoce como hipótesis nula, y se simboliza H₀.

Siempre que rechazamos la hipótesis, la conclusión que sí aceptamos se llama hipótesis alternativa y se simboliza H₁.

El propósito de la prueba de hipótesis no es cuestionar el valor calculado de la estadística de muestra, sino hacer un juicio respecto a la diferencia entre esa estadística de muestra y un parámetro de población hipotetizado. El siguiente paso después de establecer la hipótesis nula alternativa consiste en decidir qué criterio utilizar para decidir si aceptar o rechazar la hipótesis nula.

Si suponemos que la hipótesis es correcta, entonces el nivel de significancia indicará el porcentaje de medias de muestra que está fuera de ciertos límites.

Siempre que afirmemos que aceptamos la hipótesis nula, en realidad lo que queremos decir es que no hay suficiente evidencia estadística para rechazarla. El empleo del término aceptar, en lugar de rechazar, se ha vuelto de uso común. Significa simplemente que cuando los datos de la muestra n hacen que rechacemos una hipótesis nula, nos comportamos como si fuera cierta.

Nuestra elección del estándar mínimo para una probabilidad aceptable, o el nivel de significancia, es también el riesgo que asumimos al rechazar una hipótesis nula cuando es cierta. Mientras más alto sea el nivel de significancia que utilizamos para probar una hipótesis, mayor será la probabilidad de rechazar una hipótesis nula cuando es cierta.

El rechazo de una hipótesis nula cuando es cierta se denomina error de tipo I, y su probabilidad (que es también el nivel de significancia) se simboliza como  . El hecho de aceptar una hipótesis nula cuando es falsa se denomina error de tipo II, y su probabilidad se simboliza como  . La probabilidad de cometer un tipo de error puede reducirse sólo si deseamos incrementar la probabilidad de cometer el otro tipo de error. Con el propósito de obtener una  baja, tendremos que tolerar una  alta. Los responsables de la toma de decisiones deciden el nivel de significancia adecuado, al examinar los costos o desventajas vinculadas con ambos tipos de errores.

Una prueba de dos extremos de una hipótesis, rechazará la hipótesis nula si la media de muestra es significativamente mayor o menor que la media de la población hipotetizada. Existen dos regiones de rechazo.

Hay situaciones en las que no es apropiada una prueba de dos extremos, por lo que debemos usar una prueba de un extremo, que pueden ser de extremo izquierdo (o inferior) o extremo derecho (o superior).

La única forma de probar una hipótesis nula es conociendo el parámetro de población, y eso no es posible al tomar una muestra. Por consiguiente, aceptamos la hipótesis nula y nos comportamos como si fuera cierta, simplemente porque no podemos encontrar evidencia para rechazarla.

Idealmente, tanto  como  (las probabilidades de los errores tipo I y II deben ser pequeñas. Una vez que decidimos el nivel de significancia, no hay nada que podamos hacer con respecto a  .

Cuando la hipótesis nula es falsa,  (la media de la población cierta) no es igual a la media hipotetizada.

Puesto que rechazar una hipótesis nula cuando es falsa es exactamente lo que debe hacer una buena prueba, un valor alto de 1 -  significa que la prueba está trabajando bastante bien (está rechazando la hipótesis nula cuando es falsa. Puesto que 1 -  es la medida de qué tan bien trabaja la prueba, se la conoce como la potencia de la prueba. Si representamos gráficamente los valores 1 -  por cada valor de  para el que la hipótesis alternativa es cierta, la curva resultante se conoce como curva de potencia.

• Conviene plantear la hipótesis nula siempre por la igualdad. Adapte la contrahipótesis de acuerdo con el objetivo del problema.
• Formule la hipótesis en base a los objetivos del estudio, pero siempre antes de extraer la muestra y calcular el estimador puntual del parámetro desconocido, para no verse influenciado por este resultado.
• Tenga en cuenta que si bien la hipótesis nula es la que se pone bajo prueba, eso no significa que deba ser siempre la suposición que el experimentador desea que se compruebe.
• Como en todo proceso de inferencia, existe algún grado de subjetividad en la realización de una prueba, particularmente en la elección del nivel de significancia y del tamaño de la muestra. Trate de que la elección de estos valores responda a un análisis cuidadoso del problema en cuestión.
• Una vez fijadas las condiciones de la prueba, el resultado de la misma es totalmente objetivo.
• Para fijar el nivel de significancia de la prueba, hay que tener en cuenta que cuando la probabilidad del error tipo I aumenta, la del error tipo II disminuye. La forma de minimizar el error tipo II independientemente del nivel de significancia, es aumentando el tamaño de la muestra.
• Como las probabilidades de los errores tipo I y II están relacionadas entre ´si, pero el experimentador puede fijar la primera, antes de elegir el nivel de significancia hay que ver cuál de los dos tipos de errores resulta más crítico.

• Alfa: probabilidad de cometer un error de tipo I.

• Beta: probabilidad de cometer un error de tipo II.

• Curva de potencia: gráfica de los valores de la potencia de una prueba por cada valor de  , u otro parámetro de población, para el que la hipótesis alternativa es cierta.

• Error de tipo I: rechazo de una hipótesis nula cuando es cierta.

• Error de tipo II: aceptación de una hipótesis nula cuando es falsa.

• Escala estandarizada: medición en desviaciones estándar a partir de la media de la variable.

• Escala sin procesar: medición en las unidades originales de la variable.

• Hipótesis: suposición o especulación que hacemos con respecto a un parámetro de población.

• Hipótesis alternativa: conclusión que aceptamos cuando los datos no respaldan la hipótesis nula.
• Hipótesis estadística: afirmación acerca del valor de un parámetro desconocido, o sobre la distribución de una variable.

• Hipótesis nula: hipótesis o suposición con respecto a un parámetro de población que deseamos probar.

• Nivel de significancia: valor que indica el porcentaje de valores de muestra que están fuera de ciertos límites, suponiendo que la hipótesis nula es correcta, es decir, se trata de la probabilidad de rechazar la hipótesis nula cuando es cierta.

• Potencia de prueba de hipótesis: probabilidad de rechazar la hipótesis nula cuando es falsa, es decir, una medida de qué tan bien funciona la prueba de hipótesis.

• Prueba de hipótesis: experimento que pone bajo prueba una hipótesis estadística, para decidir si es verdadera o falsa.

• Prueba de dos extremos: prueba de hipótesis en la que la hipótesis nula se rechaza si el valor de muestra es significativamente menor o mayor que el valor hipotetizado del parámetro de población, prueba que involucra dos regiones de rechazo.

• Prueba de extremo inferior: prueba de hipótesis de un extremo en la que un valor de la muestra que se encuentra significativamente por debajo del valor de la población hipotetizada, nos llevará a rechazar la hipótesis nula.

• Prueba de extremo superior: prueba de hipótesis de un extremo en la que un valor de muestra significativamente superior al valor de población hipotetizado nos llevará a rechazar la hipótesis nula.

• Prueba de un extremo: prueba de hipótesis en la que sólo hay una región de rechazo, es decir, sólo nos interesa si el valor observado se desvía del valor hipotetizado en una dirección.

• Valor crítico: valor de la estadística estándar (z) más allá del cual rechazamos la hipótesis nula; el límite entre las regiones de aceptación y rechazo.

Los estadísticos han desarrollado técnicas útiles que no hacen suposiciones restrictivas respecto a la forma de las distribuciones de las poblaciones. Éstas se conocen como pruebas sin distribución, o pruebas no paramétricas. Las hipótesis de una probabilidad no paramétrica se refieren a algo distinto del valor de un parámetro de población

1. No requieren que hagamos la suposición de que una población está distribuida en forma de curva normal u otra forma específica.
2. Generalmente, son más fáciles de efectuar y comprender.
3. Algunas veces, ni siquiera se requiere el ordenamiento o clasificación formal.

1. Ignoran una cierta cantidad de información
2. A menudo, no son tan eficientes como las pruebas paramétricas. Cuando usamos pruebas no paramétricas, efectuamos un trueque: perdemos agudeza al estimar intervalos, pero ganamos la habilidad de usar menos información y calcular más rápidamente.

Se basa en la comparación de distribuciones acumuladas: la distribución acumulada de los datos observados y la distribución acumulada teórica correspondiente al modelo elegido.

Tiene varias ventajas: es una prueba poderosa y fácil de utilizar, puesto que no requiere que los datos se agrupen de determinada manera.

Es particularmente útil para juzgar qué tan cerca está la distribución de frecuencias observada de la distribución de frecuencias esperada, porque la distribución de probabilidad Dn depende del tamaño de muestra n, pero es independiente de la distribución de frecuencia esperada (Dn es una estadística de distribución libre).

Para calcular la estadística K-S, simplemente se elige Dn (la desviación absoluta máxima entre las frecuencias observadas y teóricas).

Una prueba K-S siempre debe ser una prueba de un extremo.

Luego se busca el valor crítico en la tabla, para las n observaciones, considerando el nivel de significancia adoptado.

Si el valor de la tabla es mayor que el valor de Dn, entonces aceptaremos la hipótesis nula.

• La prueba de Kolmogorov puede usarse con muestras muy pequeñas, en donde no se pueden aplicar otras pruebas paramétricas.
• Podemos usar la prueba de Kolmogorov para verificar la suposición de normalidad subyacente en todo análisis de inferencia.
• Si bien constituye una prueba de implementación sencilla, tenga en cuenta que carga con las desventajas de los métodos no paramétricos en general, en el sentido de producir resultados menos precisos que los procedimientos convencionales.
• Cuando trabaje con muestras pequeñas, recuerde usar la frecuencia cumulada experimental.

• Pruebas de bondad de ajuste: pruebas de hipótesis que ponen bajo prueba una afirmación acerca de la distribución de una variable aleatoria.

• Prueba de Kolmogorrov-Smirnov: prueba no paramétrica que no requiere que los datos se agrupen de ninguna manera para determinar si existe diferencia significativa entre la distribución de frecuencia observada y la distribución de frecuencia teórica.

• Pruebas no paramétricas: técnicas estadísticas que no hacen suposiciones restrictivas respecto a la forma de la distribución de población al realizar una prueba de hipótesis.