Contenido

Introducción…………………………………………………………………………………. 3

Tipos de muestreos…………………………………………………………………….…….. 12

Tipos de estimadores……………………………………………………………………..……41

Errores de tipo I y II…………………………………………………………………..……….43

Conclusión………………………………………………………………………………….…48

Bibliografía…………………………………………………………………………….……...49

Índice de tablas, imágenes y figuras

Tabla 1: Ventajas e inconvenientes de los distintos tipos de muestreo probabilístico...….10

Figura 1: Sesgo y variación...……………...………………………………………………...13

Figura 2: Equilibrio entre precisión y seguridad ……………………………………………19

Imagen 1:ejemplo de Ronald Fisher …………………………………………………………22

Imagen 2: Ronald Fisher…………………………………………………………………… 22
Figura 3: Distribución muestral………………………………………………..………..….. 27

Figura 4: Área centrada del 70%. …………………………………………….……………..29

Figura 5: Área centrada del 95%. ……………………………………………………………29

Tabla 2: llamadas realizadas………………………………………………………………... 38

Tabla 3: tablas de frecuencia ………………………………………………………………...39

Tabla 4: resultados de la población …………………………….…………………………...42

Tabla 5: consecuencias y decisiones………………………………………………………... 45

Figura 6: resultados de la hipótesis nula ……………………………………………..……...47

Introducción
La estadística es el estudio de los modos de recolectar y analizar datos con el fin de establecer
conclusiones acerca del medio del cual se han obtenido los datos. a es la ciencia que trata sobre
la toma, organización recopilación, presentación y análisis de datos para deducir conclusiones
sobre ellos y para tomar decisiones que estén de acuerdo con los análisis efectuados.

La Estadística es una disciplina que utiliza recursos matemáticos para organizar y resumir una
gran cantidad de datos obtenidos de la realidad, e inferir conclusiones respecto de ellos. Por
ejemplo, la estadística interviene cuando se quiere conocer el estado sanitario de un país, a
través de ciertos parámetros como la tasa de morbilidad o mortalidad de la población.

En este caso la estadística describe la muestra en términos de datos organizados y resumidos, y

luego infiere conclusiones respecto de la población.Aplicada a la investigación científica,
también infiere cuando provee los medios matemáticos para establecer si una hipótesis debe o
no ser rechazada.La estadística puede aplicarse a cualquier ámbito de la realidad, y por ello es
utilizada
en física, química, biología, medicina, astronomía, psicología, sociología, lingüística, demogra
fía, etc. Y es importante en todos los contextos desde el estudiantil, de trabajo y profesional
por que se aplica en la vida diaria de cada uno de estos en el estudiantil por ejemplo para
sacar tu promedio de una calificación o para saber la media o cuanto necesitas para ciertas
materias.

3
 Tipos de muestreo estadístico

En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los

elementos de una población), se selecciona una muestra, entendiendo por tal una parte
representativa de la población.

El muestreo es por lo tanto una herramienta de la investigación científica, cuya función

básica es determinar que parte de una población debe examinarse, con la finalidad de hacer
inferencias sobre dicha población.

La muestra debe lograr una representación adecuada de la población, en la que se reproduzca

de la mejor manera los rasgos esenciales de dicha población que son importantes para la
investigación. Para que una muestra sea representativa, y por lo tanto útil, debe de reflejar las
similitudes y diferencias encontradas en la población, es decir ejemplificar las características
de ésta.

Los errores más comunes que se pueden cometer son:

1.- Hacer conclusiones muy generales a partir de la observación de sólo una parte de la
Población, se denomina error de muestreo.

2.- Hacer conclusiones hacia una Población mucho más grandes de la que originalmente se
tomo la muestra. Error de Inferencia.

En la estadística se usa la palabra población para referirse no sólo a personas si no a todos los
elementos que han sido escogidos para su estudio y el término muestra se usa para describir
una porción escogida de la población.

4
Existen diferentes criterios de clasificación de los diferentes tipos de muestreo, aunque en
general pueden dividirse en dos grandes grupos: métodos de muestreo probabilísticos y
métodos de muestreo no probabilísticos.

Muestreo probabilístico

Los métodos de muestreo probabilísticos son aquellos que se basan en el principio de

equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma
probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas las
posibles muestras de tamaño n tienen la misma probabilidad de ser seleccionadas. Sólo estos
métodos de muestreo probabilísticos nos aseguran la representatividad de la muestra extraída
y son, por tanto, los más recomendables. Dentro de los métodos de muestreo probabilísticos
encontramos los siguientes tipos:

1.- Muestreo aleatorio simple:

El procedimiento empleado es el siguiente: 1) se asigna un número a cada individuo de la

población y 2) a través de algún medio mecánico (bolas dentro de una bolsa, tablas de
números aleatorios, números aleatorios generados con una calculadora u ordenador, etc.) se
eligen tantos sujetos como sea necesario para completar el tamaño de muestra requerido. Este
procedimiento, atractivo por su simpleza, tiene poca o nula utilidad práctica cuando la
población que estamos manejando es muy grande

5
 2.- Muestreo aleatorio sistemático:
Este procedimiento exige, como el anterior, numerar todos los elementos de la población,
pero en lugar de extraer n números aleatorios sólo se extrae uno. Se parte de ese número
aleatorio i, que es un número elegido al azar, y los elementos que integran la muestra son los
que ocupa los lugares i, i+k, i+2k, i+3k,...,i+(n-1)k, es decir se toman los individuos de k en
k, siendo k el resultado de dividir el tamaño de la población entre el tamaño de la muestra: k=
N/n. El número i que empleamos como punto de partida será un número al azar entre 1 y k.

El riesgo este tipo de muestreo está en los casos en que se dan periodicidades en la población
ya que al elegir a los miembros de la muestra con una periodicidad constante (k) podemos
introducir una homogeneidad que no se da en la población. Imaginemos que estamos
seleccionando una muestra sobre listas de 10 individuos en los que los 5 primeros son
varones y los 5 últimos mujeres, si empleamos un muestreo aleatorio sistemático con k=10
siempre seleccionaríamos o sólo hombres o sólo mujeres, no podría haber una representación
de los dos sexos.

3.- Muestreo aleatorio estratificado:

Trata de obviar las dificultades que presentan los anteriores ya que simplifican los procesos y
suelen reducir el error muestral para un tamaño dado de la muestra. Consiste en considerar
categorías típicas diferentes entre sí (estratos) que poseen gran homogeneidad respecto a
alguna característica (se puede estratificar, por ejemplo, según la profesión, el municipio de
residencia, el sexo, el estado civil, etc.). Lo que se pretende con este tipo de muestreo es
asegurarse de que todos los estratos de interés estarán representados adecuadamente en la
muestra. Cada estrato funciona independientemente, pudiendo aplicarse dentro de ellos el
muestreo aleatorio simple o el estratificado para elegir los elementos concretos que formarán
parte de la muestra. En ocasiones las dificultades que plantean son demasiado grandes, pues
exige un conocimiento detallado de la población. (Tamaño geográfico, sexos, edades,...).

6
 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 muéstrales.

Afijación Proporcional: La distribución se hace de acuerdo con el peso (tamaño) de la
población en cada estrato.
Afijación Optima: Se tiene en cuenta la previsible dispersión de los resultados, de modo que
se considera la proporción y la desviación típica. Tiene poca aplicación ya que no se suele
conocer la desviación.

4.- Muestreo aleatorio por conglomerados:

Los métodos presentados hasta ahora están pensados para seleccionar directamente los
elementos de la población, es decir, que las unidades muéstrales son los elementos de la
población.

En el muestreo por conglomerados la unidad muestral es un grupo de elementos de la

población que forman una unidad, a la que llamamos conglomerado. Las unidades
hospitalarias, los departamentos universitarios, una caja de determinado producto, etc., son
conglomerados naturales. En otras ocasiones se pueden utilizar conglomerados no naturales
como, por ejemplo, las urnas electorales. Cuando los conglomerados son áreas geográficas
suele hablarse de "muestreo por áreas".

El muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto numero de

conglomerados (el necesario para alcanzar el tamaño muestral establecido) y en investigar
después todos los elementos pertenecientes a los conglomerados elegidos.

7
Métodos de muestreo no probabilísticos

A veces, para estudios exploratorios, el muestreo probabilístico resulta excesivamente

costoso y se acude a métodos no probabilísticos, aun siendo conscientes de que no sirven
para realizar generalizaciones (estimaciones inferenciales sobre la población), pues no se
tiene certeza de que la muestra extraída sea representativa, ya que no todos los sujetos de la
población tienen la misma probabilidad de se elegidos. En general se seleccionan a los
sujetos siguiendo determinados criterios procurando, en la medida de lo posible, que la
muestra sea representativa.

En algunas circunstancias los métodos estadísticos y epidemiológicos permiten resolver los

problemas de representatividad aun en situaciones de muestreo no probabilístico, por
ejemplo los estudios de caso-control, donde los casos no son seleccionados aleatoriamente
de la población.

Entre los métodos de muestreo no probabilísticos más utilizados en investigación

encontramos:

1.- Muestreo por cuotas:

También denominado en ocasiones "accidental". Se asienta generalmente sobre la base de

un buen conocimiento de los estratos de la población y/o de los individuos más
"representativos" o "adecuados" para los fines de la investigación. Mantiene, por tanto,
semejanzas con el muestreo aleatorio estratificado, pero no tiene el carácter de aleatoriedad
de aquél.

En este tipo de muestreo se fijan unas "cuotas" que consisten en un número de individuos que
reúnen unas determinadas condiciones, por ejemplo: 20 individuos de 25 a 40 años, de sexo
femenino y residentes en Gijón. Una vez determinada la cuota se eligen los primeros que se
encuentren que cumplan esas características. Este método se utiliza mucho en las encuestas
de opinión.

8
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener muestras
"representativas" mediante la inclusión en la muestra de grupos supuestamente típicos. Es
muy frecuente su utilización en sondeos preelectorales de zonas que en anteriores
votaciones han marcado tendencias de voto.

También puede ser que el investigador seleccione directa e intencionadamente los

individuos de la población. El caso más frecuente de este procedimiento el utilizar como
muestra los individuos a los que se tiene fácil acceso (los profesores de universidad con
mucha frecuencia emplean a sus propios alumnos).

9
3.- Bola de nieve:
Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y así hasta
conseguir una muestra suficiente. Este tipo se emplea muy frecuentemente cuando se hacen
estudios con poblaciones "marginales", delincuentes, sectas, determinados tipos de enfermos,
etc.
4.- Muestreo Discrecional · A criterio del investigador los elementos son elegidos sobre lo que
él cree que pueden aportar al estudio.
Ventajas e inconvenientes de los distintos tipos de muestreo probabilístico

CARACTERISTICAS VENTAJAS INCONVENIENTES

 Sencillo y de
fácil
comprensión.
Requiere que se
 Cálculo rápido posea de antemano
Se selecciona una de medias y un listado completo
muestra de tamaño n de varianzas. de toda la población.
Aleatorio una población de N Cuando se trabaja
simple unidades, cada elemento  Se basa en la con muestras
tiene una probabilidad de teoría pequeñas es posible
inclusión igual y estadística, y por que no represente a la
conocida de n/N. tanto existen población
paquetes adecuadamente.
informáticos
para analizar los
datos
 Fácil de aplicar.
Conseguir un listado de
los N elementos de la  No siempre es
población necesario tener
un listado de Si la constante de
Determinar tamaño
toda la muestreo está
muestral n.
población. asociada con el
Definir un intervalo k=  Cuando la fenómeno de interés,
Sistemático N/n. población está las estimaciones
Elegir un número ordenada obtenidas a partir de
aleatorio, r, entre 1 y k (r= siguiendo una la muestra pueden
arranque aleatorio). tendencia contener sesgo de
conocida, selección
Seleccionar los asegura una
elementos de la lista. cobertura de
unidades de
todos los tipos.
Tabla 1: Ventajas e inconvenientes de los distintos tipos de muestreo probabilístico
10
 En ciertas ocasiones  Tiende a  Se ha de
resultará conveniente asegurar que la conocer la
estratificar la muestra muestra distribución
Estratificado según ciertas variables de represente en la
interés. Para ello debemos adecuadamente a población de
conocer la población en las variables
la composición
estratificada de la función de unas
población objetivo a

hacer un muestreo. Una variables utilizadas para la

vez calculado el tamaño seleccionadas. estratificación.
muestral apropiado, este
se reparte de manera  Se obtienen
proporcional entre los estimaciones
distintos estratos definidos más precisa
en la población usando
una simple regla de tres.  Su objetivo es
conseguir una
muestra lo más
semejante
posible a la
población en lo
que a la o las
variables
estratificadoras
se refiere.

 Es muy eficiente  El error

cuando la estándar es
Se realizan varias fases de población es mayor que
muestreo sucesivas muy grande y en el
(polietápico) dispersa. muestreo
Conglomerado La necesidad de listados aleatorio
 No es preciso
s simple o
de las unidades de una tener un listado estratificado.
etapa se limita a aquellas de toda la
unidades de muestreo población, sólo  El cálculo
seleccionadas en la etapa de las unidades del error
anterior. primarias de estándar es
muestreo. complejo.

11
 Tipos de estimadores
Estimar qué va a ocurrir respecto a algo (o qué está ocurriendo, o qué ocurrió), a pesar de ser un
elemento muy claramente estadístico, está muy enraizado en nuestra cotidianidad. Dentro de ello,
además hacemos estimaciones dentro de un intervalo de posibilidades. Por ejemplo: “creo que
terminaré la tarea en unos 5-6 días”.
Lo que hacemos en el terreno del análisis de datos es aplicar matizaciones técnicas a este hábito.
Vamos a dedicar este documento al concepto de estimación, comenzando con la estimación puntual.
Después nos ocuparemos de desarrollar un modelo de estimación por intervalo donde
identificaremos los elementos fundamentales, con su significado y símbolo. Y, por último, habrá que
desarrollar cómo se calculan esos elementos.

La estimación puntual
Estimar puede tener dos significados interesantes. Significa querer e inferir. Desde luego, el primer
significado es más trascendente. Pero no tiene ningún peso en la estadística, disciplina que no se
ocupa de los asuntos del amor. El segundo significado es el importante aquí. Una estimación
estadística es un proceso mediante el que establecemos qué valor debe tener un parámetro según
deducciones que realizamos a partir de estadísticos. En otras palabras, estimar es establecer
conclusiones sobre características poblacionales a partir de resultados muestrales.
Vamos a ver dos tipos de estimaciones: puntual y por intervalo. La segunda es la más natural. Y verás
que forma parte habitual de nuestro imaginario como personas sin necesidad de una formación
estadística. La primera, la estimación puntual, es la más sencilla y, por ese motivo, vamos a comenzar
por ella. Ocurre, además, que la estimación por intervalo surge, poco más o menos, de construir un
intervalo de posibles valores alrededor de la estimación puntual.
Una estimación puntual consiste en establecer un valor concreto (es decir, un punto) para el
parámetro. El valor que escogemos para decir “el parámetro que nos preocupa vale X” es el que
suministra un estadístico concreto. Como ese estadístico sirve para hacer esa estimación, en lugar de
estadístico suele llamársele estimador. Así, por ejemplo, utilizamos el estadístico “media aritmética
de la muestra” como estimador del parámetro “media aritmética de la población”. Esto significa: si
quieres conocer cuál es el valor de la media en la población, estimaremos que es exactamente el
mismo que en la muestra que hemos manejado.

12
Insesgadez

Del párrafo anterior podemos concluir erróneamente que todo parámetro se infiere a partir de un
estadístico que resulta ser la misma fórmula o función pero calculado en la muestra. Si queremos
estimar la media poblacional, le asignamos directamente la media de la muestra. Si queremos estimar
la proporción poblacional, le asignamos el valor de la proporción en la muestra. Si queremos estimar
la varianza poblacional, le asignamos el valor de la varianza de la muestra. Esa norma general tiene
excepciones, por lo que es mejor no pensar en ella como norma. De los tres ejemplos, es cierto en los
dos primeros casos: estimación puntual de una media o de una proporción; pero no en el tercero:
estimación puntual de una varianza. La razón proviene del objetivo de la insesgadez.
Un sesgo es una tendencia constante. En un ejemplo clásico, solemos afirmar que las escopetas de
feria están diseñadas para errar, para desviarse. Si esa desviación es fija, es decir, si esa desviación es
una tendencia a errar hacia un sentido concreto, entonces hablamos de sesgo. Si no es fija, entonces
se trata de una variación aleatoria. Observa la figura 1. El objetivo es dar al centro de la diana. El área
de disparos A muestra una variación aleatoria, pero sin sesgo pues apunta correctamente alrededor
del objetivo. El área B muestra un sesgo claro: todos los disparos dan en un mismo punto y ese punto
no es el centro de la diana, estamos errando. El área C ejemplifica una mezcla de ambos: existe sesgo
y variación aleatoria, puesto que los disparos impactan en un área con cierta dispersión aleatoria pero
concentradas en torno a un punto desplazado del objetivo

Figura 1. Sesgo y variació

13
Los estimadores siempre suministran dispersión aleatoria. Como sabemos del monográfico sobre
muestreo, el conjunto de todas las muestras de un mismo diseño que provienen de una misma
población suministran valores diferentes. Esta circunstancia indica que existe una variación aleatoria
con la que hay que vivir porque es inevitable.

Pero todavía sería peor. Es posible que el estimador escogido tenga sesgo, es decir, que no solo esté
variando alrededor de un punto, sino que el punto sobre el que varía no es el valor poblacional,
verdadero u objetivo de nuestro interés. Esto si es evitable. Así que los estimadores que utilizamos
intentamos que sean insesgados, es decir, que carezcan de sesgo.
El recurso que utilizamos para ello es el valor esperado, es decir, la media aritmética de la
distribución muestral del estimador. Ya lo viste en el monográfico sobre muestreo. El valor esperado
es, como dice la expresión, el valor que esperamos. Cabe elegir un estimador tal que el valor
esperado coincida con el parámetro. Esto ocurre si utilizamos la media aritmética de la muestra
como estimador de la media aritmética de la
población, pues E ( X̄) = μ . También ocurre con las proporciones, pues E (p) = π .
Pero no ocurre así con la varianza (y, por tanto, tampoco con la desviación tipo) pues

E (S2) ≠ σ2 . Esto ya lo hemos abordado en el monográfico sobre muestreo. Lo que hacemos

entonces es escoge otro estimador. En el muestreo aleatorio simple donde las poblaciones son de gran
tamaño, es la cuasivarianza el estadístico escogido como

estimador de la varianza poblacional, pues E (Ŝ 2 ) = σ2 , es decir, la cuasivarianza es un

estimador insesgado de la varianza poblacional.

14
 Totales

Además de medias, proporciones y variaciones, un parámetro habitual es el total.

Llamamos total a una frecuencia absoluta calculada en la población. Por ejemplo, podemos tener
interés en conocer cuántas personas votarán al partido HH en las próximas elecciones o cuántos
cigarrillos van a consumirse en el mes de abril. Para responder, utilizamos un recurso indirecto que
parte de una estimación previa, bien sea de una media aritmética o de una proporción. Supongamos
que la población que nos interesa cuenta con un millón de habitantes. Hemos trabajado con una
muestra de 200. De los que 38 dicen que votarán al partido HH. Esto significa 38/200*100=19%.
Una estimación puntual establece que el 19% de la población votará a HH. Como hay un millón de
habitantes, entonces, hablamos de 1,000,000*19/100=190,000 personas. Supongamos también que se
fuman 50 cigarrillos por término medio cada mes. Si ese es el valor de la media aritmética de la
muestra, la estimación puntual afirmará que en la población se fumarán 50 cigarrillos por persona
durante el mes de abril, por término medio. Como hay un millón de habitantes, el mes de abril verá
consumidos 50 millones de cigarrillos. Así pues, en la estimación de totales no realizamos un camino
alternativo específico sino que ampliamos la estimación realizada previamente, sea de una proporción
o de una media.
Estimación por intervalo

Las estimaciones puntuales no son una buena opción cuando constituyen el centro del objetivo,
aunque solucionan problemas de procedimiento, por lo que son absolutamente necesarias.

Por qué estimar por intervalo

He comenzado prácticamente por el final. Intentemos comprender la afirmación del párrafo anterior.
Por un lado, una estimación puntual es una mala opción. Que el parámetro tenga exactamente el
valor del estimador es una casualidad de difícil ocurrencia. Queremos estimar el tiempo medio que
una persona pasa entre una respiracion y la siguiente cuando duerme. Acotamos la población: nos
preocupan los adultos (al menos 18 años de edad) europeos. Demasiados millones como para pensar
que podemos abordar a toda la población. Así que seleccionamos una muestra aleatoria simple de
350 habitantes del continente con 18 o más años. El tiempo medio en la muestra es de 5 segundos. Si
hacemos una estimación puntual diremos que el tiempo medio en la población es también de 5
segundos. Imaginemos que somos capaces de conocer el valor real en la población. Es 5,2 segundos.

15
¿Hemos acertado?
¿Qué significa 5 segundos? En principio, son 5 segundos exactamente. Esto lo diferencia de, por
ejemplo, 5,0013 o de 4,9987. Sin embargo, la gran mayoría de las personas seguramente aceptarían
cualquiera de ambas aproximaciones como un acierto meritorio, pues solo se alejan de 5 en 13
diezmilésimas, una cantidad demasiado pequeña como para penalizar el estudio y afirmar que no
acertó. Si nos comportamos de ese modo es que no estamos haciendo una estimación puntual, sino
considerando un intervalo alrededor de 5 que marca la desviación admisible o una especie de cuantía
máxima de error que nos permite afirmar que realmente se trata de un acierto. Demasiado enrevesado
¿no crees? Si la estimación puntual es utilizar un punto, no podemos estar utilizando un intervalo y
seguir hablando de estimación puntual. Así pues, 5 segundos es un error, pues no coincide
exactamente con el valor del parámetro, que es 5,2. Le daremos más o menos importancia, pero la
estimación no acertó en el valor real. Con

16
poco que pensemos sobre esto, la conclusión es muy clara: en sentido estricto, las estimaciones
puntuales yerran.
Lo que hacemos o deseamos hacer en la práctica son estimaciones por intervalo. Consiste en utilizar
el célebre más o menos. Diremos, en nuestro ejemplo, que el tiempo medio que una persona dormida
ocupa entre dos respiraciones es más o menos 5 segundos. No obstante, desde el campo de la
estadística, ese más o menos es demasiado impreciso. Está incompleto. Es necesario responder a
¿más o menos qué? Hay que manejar alguna precisión. Por ejemplo: más o menos 0,4 segundos. Si la
estimación es así, entonces estamos concluyendo con un intervalo: el tiempo medio es de 5 ± 0,4 =
{4,6 ; 5,4}. Acabamos de ver nuestro primer ejemplo de estimación por intervalo.

Dos elementos en la estimación

En una estimación por intervalo podemos observar dos elementos: un centro y un radio o distancia al
centro. En el ejemplo, el centro es 5 y el radio es 0,4. El centro es el valor aportado por el estimador.
El radio expresa una medida de imprecisión. Cuanto menor es su valor, mayor es la precisión. Así
que vamos a llamarlo coherentemente error de precisión, utilizando el símbolo ep. En nuestro
ejemplo, el estimador es la media aritmética con valor 5, mientras que el error de precisión tiene el
valor 0,4. Con ambos elementos podemos construir un intervalo. Antes de pasar al tercer elemento
fundamental de una estimación por intervalo, retomemos la estimación puntual.
He iniciado este apartado afirmando que “Las estimaciones puntuales no son una buena opción
cuando constituyen el centro del objetivo, aunque solucionan problemas de procedimiento, por lo
que son absolutamente necesarias”. Ya has leído el razonamiento por el que la estimación puntual
parece una mala opción. Sin embargo, llegará un momento, dentro de unas páginas, en el que
tendremos que calcular el error de precisión. Es algo por lo que hay que pasar comprensiblemente
antes de construir el intervalo, ya que este surge de sumar y restar el error de precisión sobre el valor
del estimador. En el cálculo del error de precisión veremos que nos hace falta el valor de algún
parámetro más. ¿Qué hacemos? Si la estimación por intervalo es la opción razonable, entonces
pondremos en marcha un nuevo proceso, anidado en el anterior, donde necesitaremos construir un
nuevo intervalo, es decir, calcular un nuevo error de precisión, es decir, encontrar el valor de un
nuevo parámetro... y así sucesivamente. Esto debe tener un fin. El fin es la estimación puntual. En
pocas palabras:

17
 – cuando la estimación es un objetivo finalista, es decir un fin que deriva de los
objetivos de la investigación, entonces la llevamos a cabo por intervalo, pero
– cuando la estimación es un objetivo instrumental, es decir, una necesidad temporal que
surge en el proceso de construcción de un intervalo, entonces la estimación será puntual.

Por ejemplo, para estimar la media de la población mediante un intervalo, el cálculo del error de
precisión (como veremos) exige contar con el valor de la desviación tipo de la población. Nuestro
objetivo no es encontrar ese valor, pero no tenemos más remedio que acotarlo de algún modo para
seguir el proceso que realmente nos interesa. Entonces, para esta segunda necesidad, realizaremos
una estimación puntual que, como hemos visto, consistirá en tomar el valor de la cuasidesviación
tipo de la muestra.

El tercer elemento

Imagina que hacemos una apuesta. Apuesto contigo a que la siguiente persona que va a pasar por
delante nuestra tiene 30 años.
En el contexto en el que nos encontramos, yo de ti aceptaría la apuesta. Acabo de arriesgar una
estimación puntual, así que me equivocaré con seguridad. Si esa persona tiene, por ejemplo, 30 años,
9 meses y 17 días, en sentido estricto no son 30 años. Así que para prevenir estos problemas,
utilizaremos una estimación por intervalo. Mejor, me lo pienso. Y pensando no termino de decidir
entre dos posibilidades:
A. Esa persona tiene entre 28 y 32 años.
B. Esa persona tiene entre 10 y 50 años.

¿Con cuál de las dos estimaciones por intervalo es más fácil acertar? Es obvio
¿verdad?, con la B. Cuanto más amplio sea el intervalo, es decir, cuanto mayor sea el valor del error
de precisión, cabrán más resultados posibles y el acierto será más probable. Ganaré más fácilmente la
apuesta si me decido por la versión B que no por la A. He aquí el tercer elemento fundamental de la
estimación: la seguridad.

18
Cuanto más seguro quiera estar cuando hago una estimación, es decir, cuanto más difícil quiero que
sea la probabilidad de equivocarme ¿qué hago? Una opción que parece clara es incrementar el error de
precisión, es decir, aumentar el intervalo.
Así pues, contamos con tres elementos en una estimación por intervalo: el estimador, el error de
precisión y la seguridad. El valor del estimador viene determinado por la muestra. No es algo que
podamos decidir. Pero ¿y los otros dos? Uno está en función del otro, como hemos razonado. Lo que
hacemos es decidir uno y calcular qué valor ha de tener el otro hasta encontrar un equilibrio. La
figura 2 expresa esta idea. Los dos elementos se apoyan sobre las características de la muestra,
representadas por el valor del estimador. Conforme aumenta la seguridad disminuye la precisión.
Conforme aumenta la precisión disminuye la seguridad. Esto del equilibrio es cosa difícil de explicar.
Depende de varios factores, entre los que las consecuencias prácticas deberían constituir el factor
protagonista. Pero, como ya veremos, otros criterios menos confesables, como la tradición, el hábito
o el miedo a dar explicaciones, han generado otro tipo de soluciones.
Abordaremos esto más adelante.

Figura 2. Equilibrio entre precisión y seguridad.

Vayamos por orden

Es posible seguir caminos alternativos, pero el orden más lógico en una estimación por intervalo viene
a ser decidir la seguridad y, a partir de ella, calcular el valor que ha de tener el error de precisión,
construyendo acto seguido el intervalo. Si entramos en un esquema más sistemático, he aquí el
proceso:

1. Decidir cuáles son los valores deseados para la seguridad y la precisión, siendo conscientes
de que valores muy ambiciosos generarán situaciones muy exigentes.

2. Calcular el tamaño que ha de tener la muestra para conseguir esos objetivos iniciales de
precisión y seguridad. Este asunto será abordado específicamente en otro monográfico
(Tamaño de muestra). Obtener la muestra.
3. Obtener el valor del estadístico utilizado como estimador, que suministra el punto central
del intervalo.
4. Calcular el error de precisión a partir de la información de la muestra y de la
seguridad deseada.
5. Construir el intervalo.

19
De todos estos puntos del esquema, el primero está repartido entre este monográfico y el siguiente,
sobre el tamaño de la muestra. El segundo punto se cuentra íntegramente en ese otro monográfico. El
tercero no nos compete en esta asignatura. El cuarto se encuentra ya abordado en el monográfico
Conocer una variable. El quinto será objeto del siguiente apartado. El sexto ya sabemos cómo
hacerlo, si contamos con todo lo anterior. Antes de entrar en ese quinto punto, sobre cómo calcular el
error de precisión, vamos a ocuparnos brevemente de reflexionar acerca de cuál debería ser la
seguridad.

Qué hacer con la seguridad

Es obvio que queremos tener la máxima seguridad posible. Esto ocurre desde siempre, pero cada vez
es más observable. Vivimos un momento histórico muy incierto, con varias dimensiones sujetas a
cambios bruscos. Otra de las características de este momento es la intensidad con que se cultiva el
miedo, un miedo pronunciado con multitud de objetos: la delincuencia, la inestabilidad laboral, el
terrorismo, la gripe de las gallinas, de las vacas o de los cerdos, el tráfico, etc. Así que no es de
extrañar que si preguntamos a cualquier persona cuánta seguridad quiere tener en una escala de 0 a
100, responda con 100.
No obstante, es pedir por pedir, además algo imposible. Imagina que decides tirarte con un paracaídas
y que las empresas que los fabrican están obligadas a imprimir sobre la mochila que guarda la tela un
valor de probabilidad. Es la probabilidad de que el paracaídas se abra cuando has saltado de avión y
tiras de la anilla. ¿Qué probabilidad debería ser esa? Posiblemente digas 1 (en tantos por uno) o 100
(en porcentaje). Vale. Te entiendo. Pero sabes que no es viable. Los paracaídas son inventos
humanos. Los humanos somos seres muy entretenidos que, entre otras muchas características, nos
dedicamos a la fabricación de productos no perfectos. Todo falla en algún momento y respecto a
algún criterio. De vez en cuando un paracaídas no se abre. De vez en cuando, cuando alguien cruza
una calle es atropellado, sea por un camión de veinte ruedas o por un niño en monopatín. Si fuera
obligatorio que todas las casas en alquiler informaran no solo de las características de la vivienda, de
su situación y del precio, sino también de la probabilidad de atropello en las inmediaciones, olvídate
de aspirar a una casa cuyo valor de probabilidad de atropello sea 0. Eso no existe. Aún cuando
marches en medio de una montaña, dentro de una hermita, nada garantiza que jamás te caerá encima
un helicóptero de las fuerzas armadas que perdió el control en medio de unas maniobras.
Todo puede ocurrir, aunque sea difícilmente.

20
La seguridad absoluta no existe. Y sabemos que cuanto más seguridad queramos tener, habremos a su
vez que pagar un precio. Ese precio puede ser una baja precisión en las estimaciones, según hemos
visto. O puede ser un tamaño de muestra tan grande que no tengamos tiempo, medios humanos ni
dinero suficientes como para abordar a todas las unidades de esa muestra gigante. Esto lo veremos en
otro documento. Así que hay que tomar una decisión medianamente razonable, que no es escoger el
100% de seguridad.

En principio, el valor de la seguridad debería estar en íntima relación con las consecuencias de errar.
Si afirmo que el paracaídas se abrirá, pero no lo hace, la consecuencia es que me muero. Si eso me
parece grave, exigiré mucha seguridad. Imagina que aceptas el oficio de vendedor a domicilio.
Vendes vajillas de cristal delicado, con olor a fresa e incrustaciones de pelo de gato común. No sé el
precio al que vendes esa preciosidad, ni qué esperanza tienes de vender algo. Pero imagina un valor
de probabilidad concreto. Me refiero a la probabilidad de que no vendas una vajilla cuando pulsas el
timbre de una puerta. Tu deseo es vender y apuestas por ello. Pero puedes equivocarte. Entonces ¿qué
seguridad quieres tener respecto a que vendes una de tus vajillas cuando tocas el timbre de una
puerta? ¿100%? ¡Seguro que no! Tal vez aceptes el trabajo si la seguridad es del 10%, es decir,
vendes una vajilla cada diez intentos. Eso, sinceramente, sería un exitazo. Observa que las
probabilidades manejadas para el caso del paracaídas o de la venta de vajillas son muy diferentes. Lo
son porque las consecuencias de equivocarse son también muy diferentes. Habría que situarse en
estos términos a la hora de decidir un valor para la seguridad de acertar en una estimación.
No obstante, este discurso sigue sin suministrar un procedimiento para acotar un valor concreto de
probabilidad, sino unos principos generales. Por otro lado, muchas ocasiones donde necesitamos
hacer una estimación por intervalo no vienen acompañadas por una visibilidad clara de las
consecuencias, por lo que estas reflexiones tienen una aplicabilidad al menos difícil

21
La solución nos la dio Fisher, un astrónomo inglés que ideó recursos en
estadística, genética (incluso eugenesia), matemáticas y física durante el
primer tercio del siglo pasado. Sir Ronald Fisher estuvo pensando en estas
cuestiones y se le ocurrió definir una situación concreta: imaginó a una
viejecita que decía ser capaz de distinguir si en una taza de té con leche se
había volcado antes el té o la leche. Y decía que era capaz de ello con solo
probar un poco del líquido. Y el inglés siguió pensando. Dijo que había que
acotar cuántos aciertos serían suficientes como para creer a la viejecita. Si
esta mujer fuera capaz de lo que decía, estaba claro que teníamos que Imagen 1: ejemplo de Ronald
Fisher
aceptar algún error por su parte. Imagina que le damos 10
tazas. Que las acierte todas es algo que puede ocurrir en una ocasión de cada mil veces que sometemos
a una persona a esa prueba y resulta que no tiene ni idea, acertando por casualidad. Que acierte casi
todas, errando solo en una ocasión es algo que puede pasar en una de cada cien pruebas. Que falle en
dos, ocurre en una de cada 25 ocasiones (un 4%). Fisher pensó en 8 tazas donde la mitad se han
servido con un orden y la otra mitad
con otro y pidió imaginariamente a la mujer que las distinguiera formando
dos grupos. Y concluyó que un buen nivel de seguridad era el 95%, es
decir, una probabilidad no superior al 5% de que la mujer acertara por
casualidad. Y pensó que era una buena cosa ese valor al que había llegado.
Han pasado casi cien años y no hay quien discuta al señor Fisher ni
aun después de muerto. No conozco a nadie que investigue sobre habilidad
de mujeres mayores distinguiendo el orden en que se han volcado líquidos
en un vaso. Pero lo cierto es que el 95% de seguridad se ha extendido tanto
Imagen 2: Ronald Fisher
que si lo consideras en tus intervalos de estimación, nadie te preguntará
nada. Por el
contrario, si alguien decide utilizar un 93%, que se prepare a responder a la incómoda pregunta ¿Por
qué?

22
En la práctica se han instalado dos valores para la seguridad. El estándar es 95%.
No obstante, cuando alguien quiere mostrar mayor seguridad, más exigencia a la situación, entonces
recurre al 99%. Y cualquier otro valor que no sean estos dos es algo muy difícil de encontrar leyendo
trabajos de investigación publicados. Hay personas que se lo plantean, lo discuten, se quejan... pero
no hay efecto en la práctica. Cohen, un psicólogo estadounidense muy implicado en estas cosas
afirma, por ejemplo, que dios quiere al 0,03 probablemente tanto como al 0,05. No sé si es creyente,
pero es una forma muy ilustrativa de poner en duda un valor que se ha establecido sin discusión.

Cálculo del error de precisión

Esquema simbólico de la estimación

Hemos visto ya que construir un intervalo de estimación tiene un momento de decisión (¿cuál ha de
ser la seguridad con que concluimos que el parámetro, por ejemplo φ, se encuentra en el intervalo?)
y dos momentos de cálculo. Lo primero que calculamos es el valor de estimador (por ejemplo, m).
Lo siguiente es el valor del error de precisión (ep) que se deriva de las características de la muestra y
del nivel de seguridad escogido. Llegados a ese punto lo único que nos quedará será construir el
intervalo restando y sumando al estimador el valor del error de precisión. Con los símbolos
improvisados en este párrafo, el punto de llegada será:

φ ∈ {m − ep , m + ep }seg
La expresión anterior se lee, literalmente, diciendo que afirmamos con una seguridad de valor seg
que el parámetro φ tiene un valor comprendido entre m - ep y
m + ep. Si llegados a este punto ya tenemos el valor de m y hemos decidido seg, entonces solo nos
resta calcular ep.

Elementos para el cálculo

Pues bien, el error de precisión depende de tres elementos. Uno ya lo sabemos: el nivel de seguridad.
Cuanto más seguridad queramos tener, el error de precisión será mayor, de tal forma que el intervalo
se hará más grande. Vamos a justificarlo más adelante, pero ya adelanto qué recurso vamos a utilizar
para representar la seguridad: un valor de distancia estandarizada, Zseg. Conforme mayor sea la
seguridad, mayor será el valor de Zseg. Si este elemento fuera el único y dado que a mayor
seguridad mayor error de precisión, entonces la fórmula de cálculo sería:

23
 ep = Zseg
Pero no ocurre así. La fórmula está incompleta. Faltan elementos. El siguiente que abordamos es la
dispersión de la característica que se está midiendo.
Uno de los ejemplos que hemos abordado es el número de cigarrillos consumidos en un mes. En una
población donde todo el mundo fuma lo mismo, la estimación tendrá dos características muy
apetecibles. Por un lado, será una estimación puntual. No hace falta construir un intervalo alrededor
de un valor que sabemos que no varía. Si todo el mundo fuma exactamente 3 cigarrillos, entonces la
media es 3 cigarrillos y la varianza es
0. No hay variación, se mida como se mida. Así que cuando obtengamos una muestra, pongamos de 50
personas y encontremos que las cincuenta sin excepción fuman tres

24
cigarrillos al mes, concluiremos que todas las personas de la población fuman exactamente tres
cigarrillos al mes, con un error de precisión de valor 0. Es decir, sin intervalo. Es más, no solo se
trata de una estimación puntual, sino además de una estimación segura. No hay posibilidad de
equivocarse. La seguridad es del 100%.
Ahora imaginemos que ocurre algo bien distinto. En esa población hay mucha gente que no fuma
absolutamente nada, mucha gente que fuma una cantidad tal de cigarrillos que resulta increíble, y el
resto, que siguen siendo mucha gente, fuma cantidades muy variadas. Pues bien, una muestra de
también cincuenta personas que provienen de esa población arrojará cantidades muy diferentes,
bastante diferentes para la variable número de cigarrillos fumados al mes. Esta circunstancia
favorecerá que, para mantener un nivel de seguridad aceptable, el error de precisión tenga que ser
muy elevado, de tal forma que el intervalo de estimación sea suficientemente amplio como para
incluir esa variabilidad.
La medida que hemos escogido para indicar la variación de una característica que se expresa en una
escala cuantitativa es la desviación tipo. Como hablamos de cómo varía esa característica en la
población, se trata entonces de la desviación tipo poblacional. Estamos razonando, pues, que
conforme mayor es la desviación tipo poblacional, mayor ha de ser también el valor del error de
precisión. Añadiendo esta conclusión a la fórmula, tenemos una segunda versión, más completa:

ep = Zseg σ
El tercer y último elemento es el tamaño de la muestra. ¿Qué influencia crees que tiene en el valor
del error de precisión? Vayamos por partes. Primera pregunta: ¿qué efecto tiene el tamaño de la
muestra en el parecido entre el estimador y el parámetro? Al aumentar el tamaño de la muestra, si el
muestreo sigue siendo el mismo y es bueno, entonces esperaremos que el valor del estimador sea
más parecido al parámetro, es decir, nos resultará más raro que la distancia entre el estimador y el
parámetro sea elevada. Si hemos entrevistado a una sola persona, es muy probable que su opinión
sobre la actuación del ayuntamiento en el asunto de la construcción del puente varíe mucho respecto
a entrevistar a otra persona. Y, por tanto, es muy probable que su opinión resulte poco representativa.
Pero si hemos preguntado a mil personas mediante un buen cuestionario y la muestra está conseguida
mediante un buen procedimiento, entonces esperaremos dar prácticamente en el blanco, en el sentido
de que tendremos una sensación bien fundada de que el valor medio de la opinión en la muestra
(valor del estimador) será igual o muy parecido al valor medio de la opinión en la población (valor
del parámetro). Así pues, conforme el tamaño de la muestra aumenta, el error de precisión ha de
disminuir.

25
La fórmula debe considerar, entonces, al tamaño de la muestra dividiendo. Cuando se deduce
matemáticamente la expresión, lo que divide no es n directamente sino su raíz cuadrada. Por ello, la
fórmula definitiva que utilizamos es:

ep = Zseg σ
√n
Te recuerdo que estamos en un muestreo aleatorio simple aplicado sobre una población de un
tamaño muy grande. Si no es así, si la población es pequeña o el muestro tiene otro diseño, entonces
la expresión de cálculo sería diferente. No obstante, por diversas razones, incluso cuando se acude a
otros modelos de muestreo, sigue siendo habitual utilizar esta expresión.

26
Seguridad y distribución muestral

Antes de seguir, si no has leído el monográfico sobre muestreo, en el que se habla de la distribución
muestral, este es el momento. Si continúas sin haberlo leído es muy posible que te enteres de poco.
Me preocupa conocer durante cuántas horas una persona es capaz de permanecer en un centro
comercial abierto 24 horas. He seleccionado una muestra al azar y he preguntado por su capacidad de
permanencia en el centro comercial. El resultado es 8 horas por término medio. ¿Y ahora qué? Lo que
me interesa no es la muestra, sino la población.
La figura 2 muestra una distribución muestral hipotética. Cada resultado muestral está representado
por un bloque o ladrillo. Cada bloque es la media aritmética del número de horas que una muestra
aleatoria de personas dice que sería capaz de permanecer en un centro comercial. Muchas muestras
han suministrado el mismo valor, pues sus ladrillos se apilan sobre el mismo punto, formando una
columna. En el eje horizontal figura la diferencia entre el valor del estimador en esa muestra y el
valor real en la población. Así, por ejemplo, hay 6 muestras en las que se ha obtenido un valor del
estimador inferior al parámetro en 5 unidades (la media de esas muestras es 5 horas de permanencia
menos que la media de la población), o también hay 11 muestras con valores del estimador que
superan al parámetro en 4 unidades.

-9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9
Figura 3. Distribución muestral.

27
Pues bien, de las 160 muestras que construyen esa distribución muestral, una de ellas es la mía. Tal
vez sea la que he marcado con el color rojo. Tal vez sea alguna de las 159 restantes. Haga lo que
haga, no tengo una respuesta precisa a la pregunta ¿dónde está mi muestra? Pero tengo otro tipo de
respuesta: puedo hacer una apuesta. Por ejemplo, puedo plantearme cuál es la probabilidad de que mi
muestra sea exactamente esa que he marcado en rojo. Si hay 160 posibilidades y he escogido solo
una, la probabilidad es muy baja: 1/160 = 0,00625. Es más, esta operación carece de sentido en una
distribución muestral más real, puesto que sabemos que el número de muestras es prácticamente
infinito por lo que la probabilidad de ocurrencia de una cualquiera de ellas es cero. Una forma de
solucionar esto es plantearme la probabilidad de que mi muestra sea una de las que forman un
conjunto amplio de resultados muestrales, un intervalo de resultados posibles.
En la figura 3 he marcado un área central alrededor del valor esperado del estimador que, como
sabemos, coincide con el parámetro. El área reúne 112 muestras, un 70% de las 160. Se trata de
todas las muestras que suministran valores del estimador

28
que se alejan del parámetro en no más de 3 unidades, sea por abajo o por encima. La figura 4
representa una situación similar, pero acotando un área del 95% que afecta a 152 muestras, con una
distancia máxima al parámetro de 6 unidades. Observa que, como resulta obvio, cuanto más amplío
la superficie de la gráfica, es decir, el porcentaje de muestras posibles consideradas, también se
amplía el intervalo de distancias al parámetro.

-9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9
Figura 4. Área centrada del 70%.

-9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9
Figura 5. Área centrada del 95%.

Sé que mi muestra es solo una de entre todas las posibles que puedo obtener de la población. Y
apuesto a que es una de las del área centrada del 70%. No tengo ninguna información que me haga
suponer que deba estar necesariamente ahí. Es una apuesta.
Pero hay algo que sé y es que hay una probabilidad del 70% de que gane la apuesta. Ocurre como con
cualquier otra situación donde hay juegos de azar: si apuesto a que va a salir un número par al lanzar
un dado, como la mitad de sus caras tienen número par, entonces la probabilidad de acertar es la
proporción de caras: 0,50 o 50%. Como hay un 70% de muestras en el área marcada de la figura 3,
entonces hay una probabilidad del 70% de que mi muestra sea una de ellas, así como una probabilidad
del 30% de que sea una de las que se encuentran fuera de ese área. Dado que ese porcentaje está

29
definido por los estimadores cuyo valor se aleja del parámetro en no más de 3 unidades,
entonces afirmo lo siguiente:

La distancia que separa lo encontrado en mi muestra respecto a lo que ocurre en la

población no es superior a tres unidades. Y hago esta afirmación con una seguridad del
70% (o bien con un riesgo de equivocarme del 30%).

Observa que acabo de hacer una estimación por intervalo. Si la distancia entre el estimador y el
parámetro es no superior a 3 (afirmación que tiene un riesgo del 30% de ser errónea) y en el caso de
mi muestra el valor que he encontrado es de 8 horas de permanencia en el centro comercial,
entonces, espero (con una seguridad del 70%) que las personas de esa población son capaces de
permanecer en un supermercado entre 5 y 11 horas. En términos simbólicos y siguiendo lo que vimos
en el apartado anterior:

̄ ± e p }seg
μ ∈ {X ⇒ μ ∈ {8 ± 3 }0,70 = { 5 ; 11 }0,70

Si utilizo el intervalo del 95%, entonces la estimación varía, el intervalo de estimación se hace más
grande:

̄ ± e p }seg
μ ∈ {X ⇒ μ ∈ {8 ± 6 }0,70 = { 2 ; 14 }0,70

Así pues, esa máxima distancia que cabe esperar entre el estimador y el parámetro (3 unidades al
70% o 6 al 95%) es otra definición para lo que hemos llamado error de precisión. Hemos visto que ep
es lo que restamos y sumamos al estimador para conseguir un intervalo en donde esperamos, con cierta
seguridad, que se encuentre el parámetro.
Pues aquí lo tenemos. Lo sumamos y lo restamos porque creemos que esa distancia no va a ser
superada; una creencia apoyada en una seguridad que en el ejemplo es del 70%.

30
Para ejemplificar este proceso y ver con claridad su significado he optado por inventar unos datos
muestrales y, con ello, una distribución muestral que realmente no existe. Lo que nos queda para
cerrar satisfactoriamente este asunto es superar este ejemplo concreto. En él hemos traducido 70% a
una distancia de 3 unidades o 95% a una de 6 porque me he inventado la distribución muestral. ¿Qué
ocurre si no tengo acceso a la distribución muestral completa? Entonces, para no andarnos con
rodeos, tenemos un problema. Pero no hay que lamentarse mucho. Hay solución, no perfecta pero
solución.
Es esta: si tenemos indicios de que la distribución muestral tiene una forma concreta y conocida,
entonces podemos traducir la seguridad o el error de precisión siguiendo las características de la
distribución.
Insisto: lo que necesitamos para traducir una seguridad en un error de precisión es conocer cuál es el
modelo de la distribución muestral. En nuestro ejemplo ha sido fácil porque teníamos la distribución
completa de las 160 medias aritméticas. Pero cuando esto no ocurra (que es lo que pasa en la
práctica), lo que necesito en lugar de todos los resultados muestrales es qué tipo de horma, ley o
referencia conocida sigue la distribución muestral a la que pertenece mi muestra. Conociendo esa ley,
puedo realizar cálculos en los que paso de distancias o errores de precisión a áreas y viceversa.
Antes de seguir, si no has leído el monográfico sobre curva normal, ahora es el momento, pues vamos
a recurrir a ella para terminar este proceso.

31
La importancia de la curva normal (y su familia)

En el asunto de la curva normal vimos que se trata de una forma muy conocida a la que hacemos
referencia como distribución normal, ley normal o modelo normal. Pues bien, sabemos que en
determinadas circunstancias las distribuciones muestrales siguen

una ley normal. Si la distribución muestral a la que pertenece mi muestra es normal, entonces
puedo hacer lo mismo que hemos hecho en el ejemplo anterior: traducir la seguridad a una
distancia o error de precisión.
Como vimos, la curva normal se define por dos únicas características: media y desviación tipo. Por
tanto, necesitamos esta informacion para hacer las traducciones.

La normal estandarizada

En nuestro ejemplo, partimos de una muestra con una media aritmética de valor 8. Tal vez la
desviación tipo sea S=2. Para traducir una seguridad del 95% (gracias, Fisher) en un error de
precisión, necesitamos una fórmula o una tabla que considere esos valores. Para otra ocasión, tal vez
con una media de valor 123 y una desviación de 18, necesitaremos otra traducción específica. Esto,
como se ve, no es muy operativo. En lugar de ello, tenemos otro recurso: utilizar una única curva
normal, la estandarizada.
Del monográfico Cómo interpretar un caso conocemos las puntuaciones tipo, típicas, estándar,
distancias estandarizadas o Z, expresiones que apuntan al mismo concepto. Sabemos que su media
siempre es 0 y su desviación tipo siempre es 1. Luego, si no utilizamos las puntuaciones directas
(como el número de horas de permanencia en el centro comercial o el número de cigarrillos
consumidos en un mes) sino que las estandarizamos, nos basta con una única curva normal, la de
media 0 y desviación tipo 1, es decir, la normal estandarizada.

32
Una vez estandarizada, todo es más sencillo. Del monográfico La curva normal sabemos, por
ejemplo, que el 95% de las distancias estandarizadas se encuentran entre los valores -1,96 y 1,96. Si
queremos hacer una estimación por intervalo con una seguridad del 95%, podremos concluir siempre
en términos de distancias estandarizadas afirmando que el error de precisión (estandarizado) es 1,96 o
que el parámetro se encontrará entre -1,96 y 1,96 en puntuaciones tipo. Esto es fácil, pero
psicológicamente poco recomendable. Es bueno que las conclusiones utilicen la misma escala de
medida que la variable original. Así que una vez traducida la seguridad (área centrada en la curva
normal) en una puntuación tipo, lo siguiente será una nueva traducción: pasar las puntuación tipo a
una puntuación directa. Esto es sencillo, despejando de la expresión de la distancia estandarizada.
Como sabemos una distancia estandarizada es la distancia del valor original respecto a la media de su
conjunto de datos, expresada en número de desviaciones tipo de su conjunto de datos. Expresada para
=
los contextos de una muestra, una población y una distribución muestral de medias, respectivamente:

X i − X̄ X i−μ X̄ i − μ
Zi =
S ⇒ Zi σ ⇒ Zi = σ X̄

El error de precisión es la máxima distancia que cabe esperar entre el estimador y el parámetro, es
decir, ̄ i − μ} . Luego:
e p = máx {X

X̄ i − μ ep ⇒ e = Zσ =Zσ
Z i= σ X̄ = σ X̄ p X̄
√n
La última deducción surge del valor del error tipo de la media (la desviación tipo de la distribución
muestral de medias) que conoces del monográfico sobre muestreo, de donde sabemos que el error
tipo es la desviación tipo entre la raíz cuadrada del tamaño de la muestra. Observa que hemos
llegado al mismo punto que razonamos hace unas pocas páginas: el error tipo está en función directa
de la seguridad expresada mediante

33
una distancia estandarizada y la variación de la característica expresada como la desviación tipo de
la población, y en función inversa del tamaño de la muestra expresado como su raíz cuadrada.
Hemos llegado al mismo punto por dos caminos. En este segundo, además, hemos comprendido de
dónde surge Zseg: es el error de precisión estandarizado que expresa la seguridad de la estimación
en la distribución muestral estandarizada y que puede ser traducido a la escala de las puntuaciones
directas gracias a que contamos con un modelo de probabilidad para la distribución muestral, la
curva normal.

¿Mi distribución muestral es normal?

Del monográfico sobre la curva normal recuerda que De Moivre se dio cuenta de que las
distribuciones de algunas variables se aproximaban a una curva normal conforme aumentaba el
número de ensayos, es decir, conforme n se hace más grande. Así que si las muestras son
suficientemente grandes, la distribución será al menos operativamente normal. Pero ¿cuánto de
grandes? La respuesta depende del estimador.
Se han hecho cálculos y simulaciones para muchas situaciones. Esas operaciones muestran que la
distribución muestral de medias es satisfactoriamente normal cuando el tamaño es al menos de 30
unidades (n ≥ 30). Si la distribución muestral es de varianzas, no hay mucho acuerdo salvo en que las
muestras han de ser sensiblemente más grandes (en torno a n ≥ 1000). Hay otra situación donde
podemos suponer que la distribución muestral es normal sin necesidad de atender al tamaño de las
muestras: podemos tener la seguridad de que una distribución muestral es normal si también lo es la
distribución poblacional. En otras palabras, si una variable se distribuye según una ley normal en la
población, todas las distribuciones muestrales de medias serán también normales. Esto es lógico.
Piensa, por ejemplo, en el caso más extremo, muestras de tamaño n=1, y puedes entender que se trata
de una distribución muestral normal puesto que coincide con la población y esta lo es.
En el contexto de esta asignatura nos interesa únicamente la estimación por intervalo de medias, de
proporciones y de totales. Como los totales los deducimos a partir de medias y proporciones, solo nos
quedan estas. Luego ¿cuándo una distribución muestral de proporciones es normal? La respuesta
depende del valor de la proporción. Lo lamento. Pero es bastante lógico.
Una proporción tiene valores comprendidos entre 0 y 1. Si la proporción poblacional (el parámetro)
es 0,5 entonces está perfectamente centrada. Esto permite a la distribución muestral moverse en 0,5
unidades tanto hacia abajo como hacia arriba. Si el parámetro es 0,3 entonces solo quedan tres
décimas de libertad de movimiento para las proporciones muestrales entre el valor esperado y el
límite inferior. Es verdad que quedan siete décimas hasta 1, pero son inútiles. Si la distribución

34
muestral de proporciones se dispersa 3 décimas por debajo y 7 por arriba, entonces no es simétrica. Y,
como ya sabes, si no es simétrica, no es normal. Así que conforme más extrema (más cerca de un
extremo) sea la proporción poblacional, más difícil se lo pone a la distribución muestral de
proporciones para ser normal, pues ha de conseguir mucha menor dispersión de los valores posibles
para las proporciones de las muestras. Luego, la condición para que una distribución muestral de
proporciones sea normal es una combinación de dos condiciones: un valor no extremo y una muestra
grande. En la medida en que una de las dos condiciones se cumpla menos, la otra deberá compensar
cumpliéndose más. Por ejemplo, si la proporción es muy extrema, la muestra deberá ser muy grande.
Si la muestra es pequeña, la proporción deberá estar muy centrada. La combinación de ambos
argumentos se concreta (tras cálculos y simulaciones) en las siguientes dos condiciones:

35
 nπ ≥ 5 ; n(1-π) ≥
Es decir, tanto n por la proporción como n por el complementario de la proporción deben cumplir
que suministren un resultado no inferior a 5. Comprueba que si la proporción es centrada (π = 0,5),
basta con una muestra de tamaño n=10 para que se cumpla el supuesto de normalidad, algo muy
inferior a la condición sobre la distribución muestral de medias. Pero si la proporción es extrema (π
= 0,1; o bien π = 0,9, por ejemplo), entonces las exigencias sobre el tamaño de la muestra son
superiores al caso de la distribución muestral de medias (en este caso, n = 50).
Si no se cumplen las condiciones, sea una distribución muestral de medias o de proporciones, no
podremos suponer que la distribución muestral es normal, pero tal vez lo sea de otro tipo conocido.
Para muestras pequeñas tenemos otra distribución a la que acudiremos, pero que no describiremos: la
distribución de Student. No la describiremos porque conociendo la normal, el camino hacia el
conocimiento de otras distribuciones es relativamente fácil. Otra posibilidad es adoptar una posición
que se llama conservadora y que consiste en ponernos en la peor de las situaciones. Hay soluciones
para ello, como la acotación de Chebyshev. Lo malo es que esa postura conservadora suministra
valores muy elevados de tal forma que, para una misma seguridad, tendremos que construir un
intervalo de estimación mucho más amplio con Chebyshev que con la curva normal. Pero eso es otra
historia. Sigamos con la normalidad.

Un momento, ¿decías σ?

Pues sí. La expresión para calcular ep necesita el valor de la desviación tipo de la población. Un
momento, recapacitemos. No tengo la media aritmética de la población y por eso estoy haciendo la
estimación por intervalo. Ahora resulta que para hacer esa estimación necesito el valor de la
desviación tipo poblacional. Si no tengo la media ¿cómo voy a tener la desviación? ¿Qué he de hacer
ahora? ¿Tengo que poner en marcha otra estimación por intervalo, esta vez para la desviación tipo
poblacional? ¿Este proceso no me exigirá a su vez conocer otro parámetro todavía más rebuscado?
Vale, que no cunda el pánico. Al inicio de este documento ya dije que las estimaciones son de
dos tipos: puntuales y por intervalo. Las primeras se utilizan para los procedimientos intermedios y
las segundas para los objetivos. Nuestro objetivo es estimar la media aritmética poblacional. Por eso
ponemos en marcha una estimación por intervalo. Para ello, en el camino, surge la necesidad de
contar con el valor de la desviación tipo de la población. Se trata de un reto procedimental, no de un
objetivo de la investigación. Así que la estimación que realizamos en este caso es puntual.
Como también hemos visto al inicio de este documento, escogemos un estimador insesgado de la
desviación tipo poblacional: la cuasidesviación tipo de la muestra. Por eso, utilizando solo la

36
información de la muestra y la medida estandarizada de la seguridad decidida, la expresión de
cálculo del error de precisión termina siendo:

e =Z σ Ŝ S
≃ Z =Z
p
√n √n √n − 1

Surtiéndonos del documento monográfico sobre muestreo, también podemos obtener la expresión de
cálculo para la estimación de proporciones:

37
 √ √
π (1 − π) p (1 − p)
ep = Z
n ≃ Z
n

Ejemplo

Hemos preguntado a un conjunto de 42 personas, tomadas al azar de la ciudad, cuántas llamadas

realizaron la semana pasada desde su teléfono móvil a un fijo. La ciudad cuenta con 130 mil
habitantes. El resultado es el siguiente:

7 4 6 2 8 3 5
6 7 3 3 5 2 7
8 7 5 3 3 5 5
4 5 5 7 5 1 3
1 1 2 3 6 7 3
4 3 7 1 3 7 7
Tabla 2: llamadas realizadas
Por término medio...
Lo primero que nos interesa es encontrar cuál es el número medio semanal de llamadas a fijos que
realizan en la ciudad desde un teléfono móvil. Se trata de estimar la media aritmética poblacional,
para lo que necesitamos la media de la muestra (estimador), la desviación tipo, la distancia
estandarizada que representa la seguridad y el tamaño de la muestra. Pongamos que, por llevar la
contraria a Sir Ronald y porque tampoco se nos ocurre qué problema serio puede derivarse de nuestro
posible error, utilizaremos una seguridad del 90%.
Lo primero es observar si podemos suponer que la distribución muestral de medias de la que proviene
nuestra muestral es normal. Podemos suponerlo, puesto que
n = 42 ≥ 30.

38
Lo siguiente es traducir la seguridad a una distancia estandarizada, utilizando la curva normal
estandarizada. Según la tabla que tenemos en el monográfico La curva normal, un área centrada del
90% se corresponde con una puntuación tipo de valor 1,645.
Acto seguido, nos falta el estimador y la desviación tipo. Lo resolvemos mediante una tabla de
frecuencias (donde d2 es la distancia cuadrática a la media):

Xi fi Xifi d2*fi
1 4 4,00 49,00
2 3 6,00 18,75
3 10 30,00 22,50
4 3 12,00 0,75
5 8 40,00 2,00
6 3 18,00 6,75
7 9 63,00 56,25
8 2 16,00 24,50
Suma: 42 189,00 180,50

Media: 189 / 42 = 4,5

Varianza 180,5 / 42 = 4,298
Desv. tipo: raíz (4,298)= 2,073
Tabla 3: tabla de frecuencias

39
 Con esta información:
S 2,073
e =Z = 1,645 = 0,53
p
√n − 1 √42−1
̄ ± e p }seg
μ ∈ {X ⇒ μ ∈ {4,5 ± 0,53 }0,90 = { 3,97 ; 5,03 }0,90

Luego, con una seguridad del 90%, afirmamos que la gente de la ciudad realiza semanalmente
entre 3,97 y 5,03 llamadas de móvil a fijo por término medio.

Pongamos un porcentaje

¿Qué porcentaje de personas en la ciudad realizan no menos de 5 llamadas de móvil a fijo

durante una semana? Utiliza una probabilidad de errar del 5%.
En la muestra, 8+3+9+2=22 personas realizaron no menos de 5 llamadas de ese tipo, lo que
significa un 22/42*100 = 52,38% de la muestra. Al consultar la tabla de la curva normal
estandarizada, el área centrada del 95% se corresponde con una distancia estandarizada de 1,96.
Podemos consultar sin problemas esta tabla, puesto que es asumible que la distribución muestral de
proporciones es normal. Utilizando p como criterio (pues carecemos del valor de π):

np = 42· 0,5238 = 22 ≥ 5 n (1− p) = 42 · 0,4762 = 20 ≥ 5

Así pues:

√ √
p
p (1n− p) 42
e =Z = 1,96 52,38 · 47,62 = 15
π ∈ {p ± e p }seg ⇒ π ∈ {52,38 % ± 15 % }0,95 = { 37,38 % ; 67,38 % }0,95

Luego, con una seguridad del 95% podemos concluir que entre un 37% y un 67% de la gente
de la ciudad realiza no menos de 5 llamadas de móvil a fijo en una semana. Observa que he utilizado
valores de porcentaje en lugar de proporciones. Esto es intrascendente. Puedo hacer los cálculos con
proporciones y multiplicar finalmente por 100, o arrastrar los porcentajes desde cuando quiera.
En total...
Y, por último, a partir de los resultados anteriores queremos conocer cuántas llamadas de móvil a
fijo se hacen en la ciudad y cuánta gente hace no menos de 5 llamadas, ambos semanalmente. Como
sabemos que la ciudad alberga a 130 mil habitantes, podemos responder a estas dos inquietudes. No
obstante, al tratarse de dos conclusiones realizadas con niveles diferentes de seguridad, no van a ser
comparables. Para evitarlo, vamos a repetir los cálculos y, ya puestos, variando también la
seguridad. Esta vez vamos a responder a ambas preguntas a través de un riesgo de equivocarnos del
3%.

40
 Características de un buen estimador
1) Sesgo. Se dice que un estimador es insesgado si la Media de la distribución del estimador es igual
al parámetro.

Estimadores insesgados son la Media muestral (estimador de la Media de la población) y la Varianza

(estimador de la Varianza de la población):

𝑥=𝜇

→ 𝑥2 = 𝜎2
𝑠

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho un muestreo
aleatorio (número de muestras= 10000, tamaño de las muestras= 100) y hallan que la Media de las
Medias muestrales es igual a 5.09, (la media poblacional y la media de las medias muestrales
coinciden). En cambio, la Mediana de la población es igual a 5 y la Media de las Medianas es igual
a 5.1 esto es, hay diferencia ya que la Mediana es un estimador sesgado.

La Varianza es un estimador sesgado. Ejemplo: La Media de las Varianzas obtenidas con la Varianza

∑(𝑥 − 𝑥( ))2
𝑠2 =
𝑛

en un muestreo de 1000 muestras (n=25) en que la Varianza de la población es igual a 9.56 ha

resultado igual a 9.12, esto es, no coinciden. En cambio, al utilizar la Cuasivarianza

2
∑(𝑥 − 𝑥( ))2
𝑠 =
𝑛−1

la Media de las Varianzas muestrales es igual a 9.5, esto es, coincide con la Varianza de la población
ya que la Cuasivarianza es un estimador insesgado.

2) Consistencia. Un estimador es consistente si aproxima el valor del parámetro cuanto mayor

es n (tamaño de la muestra).

Algunos estimadores consistentes son:

41
 𝑥=𝜇
→ 𝑥2 = 𝜎2
𝑠

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han hecho tres muestreos
aleatorios (número de muestras= 100) con los siguientes resultados:

. Tabla 4: resultados de la población

vemos que el muestreo en que n=100 la Media de las Medias muestrales toma el mismo valor que la
Media de la población.

3) Eficiencia. Diremos que un estimador es más eficiente que otro si la Varianza de la distribución
muestral del estimador es menor a la del otro estimador. Cuanto menor es la eficiencia, menor es la
confianza de que el estadístico obtenido en la muestra aproxime al parámetro poblacional.

Ejemplo

La Varianza de la distribución muestral de la Media en un muestreo aleatorio (número de muestras:

1000, n=25) ha resultado igual a 0.4. La Varianza de la distribución de Medianas ha resultado, en el
mismo muestreo, igual a 1.12, (este resultado muestra que la Media es un estimador más eficiente que
la Mediana).

42
 Errores tipo I y II
Error tipo I
Se define el error tipo I cuando se rechaza la hipótesis nula, siendo que la misma se ha debido
aceptar. La probabilidad de cometer este error se denota normalmente con la letra a (alfa)y en
términos probabilísticos se expresa como una probabilidad condicional en la quea = P(rechazar Ho |
Ho es verdad). El valor de a es precisamente el nivel de significación que se utiliza en la teoría de
Neyman – Pearson.

Error tipo II

Se define el error tipo II cuando se acepta la hipótesis nula siendo que se ha debido rechazar. La
probabilidad de cometer este error se denota normalmente con la letra (Beta). En términos
probabilísticos se define como: b = P (aceptar Ho | Ho es falsa). La probabilidad del error tipo II da
pie para definir las curvas de potencia y de operaciones, sobre las cuales se volverá más adelante.

Así como hay dos tipos de errores es posible encontrar dos tipos de aciertos, los que definen la
fortaleza de la prueba, a saber:

1. Confianza de hipótesis (1 − a): es la capacidad que tiene la prueba para detectar que 𝐻0
es verdadera, cuando en efecto lo es. Es fácil evidenciar que se trata del complemento
de la probabilidad de cometer el error tipo I.
2. Potencia de la prueba 1 − : Es la capacidad de la prueba para detectar un rechazo de
𝐻0 cuando el rechazo deba realmente darse. Como en el caso anterior, la potencia no es
más que el complemento de la probabilidad de incurrir en el error tipo II.

43
Error de tipo I. Rechaza la hipótesis nula H0 cuando es verdadera.
Ejemplo del error de tipo I:
Una muestra de 50 tarjetas de circuito impreso que se recibieron, revelo que 4 de estas es decir 8%
estaban fuera de especificaciones. El embarque se rechazó porque excedía el máximo de 6% de
tarjetas abajo del estándar. Si la remesa era en realidad fuera de especificaciones, entonces la decisión
de devolver las tarjetas al proveedor fue adecuada. Sin embargo supóngase que las 4 tarjetas fueran de
especificaciones que se encontraron en la muestra de 50, eran las únicas que estaban abajo del
estándar, en el envió de 4 000 tarjetas.
Entonces solo 1/10 de 1% eran defectuosas (4/4000=0.001). En este caso, menos de 6% de todo él
envió estaba abajo del estándar y fue un error rechazar la remesa. En términos de una prueba de
hipótesis, se rechazó la hipótesis nula de que el envió no estaba abajo del estándar, cuando debió
haberse aceptado.
Al rechazar una hipótesis nula verdadera se comete un error de tipo I. La probabilidad de cometer un
error de tipo I es∝.
Error de tipo II. Aceptar la hipótesis nula cuando esta es falsa.
Ejemplo de erro tipo II:
El fabricante de computadoras personales cometería un error de tipo II, dado un envió de circuito
impreso en el que hubiera 15% de tarjetas abajo del estándar, se acepta el envió.
Supóngase que 2 de las 50 tarjetas de las muestras (4%) estuvieron debajo del estándar, y que 48 de las
50 tarjetas de circuito impreso fueron aceptables. De acuerdo con el procedimiento establecido, como
la muestra contenía menos del 6% de tarjetas abajo del estándar, se aceptó el envió і Podría ser que
debido al azar, las 48 tarjetas en buen estado que se seleccionaron en la muestra fueran las únicas
aceptables en la remesa completa, integrada por miles de tarjetas.
Ejemplo con error de tipo I y error de tipo II:
En un ejemplo concerniente a la estatura promedio de los soldados, si la hipótesis de 68 es rechazada
de acuerdo con el resultado de la prueba, pero realmente el promedio es 68 pulgadas, se ha cometido
un error tipo l. Por otra parte, si la hipótesis de 68 pulgadas es aceptada de acuerdo con el resultado de
la prueba, pero realmente el promedio es 70 pulgadas (o n.68 pulgadas), el investigador ha cometido
un error de tipo II

44
Visto en retrospectiva, el investigador no puede estudiar cada elemento o individuo de la población.
Por tanto, existe la posibilidad de cometer estos dos errores, un error de tipo I en el que se rechaza la
hipótesis nula cuando debía haber sido aceptada y un error de tipo II, en el que se acepta la hipótesis
nula cuando debería haberse rechazado.
La probabilidad de cometer estos dos errores se denomina alfa, α y beta, β. Alfa es la posibilidad de
cometer un error de tipo I, y beta (β) es la posibilidad de cometer un error de tipo II.
En la siguiente tabla se resumen las decisiones que pueden tomar el investigador y las consecuencias
posibles.

Hipótesis Investigador
Nula Se acepta H0 Se rechaza H0
Decisión correcta Error de tipo I
H0 es verdadera Error de tipo II Decisión correcta
H0 es falsa

Tabla 5: consecuencia y decisiones

Dos muestras: prueba sobre dos proporciones

Prueba para la diferencia entre dos proporciones poblacionales
Ejemplo 1:

Un fabricante está evaluando dos tipos de equipo para fabricar un artículo. Se obtiene una muestra
aleatoria de n1 = 50 para la primera marca de equipo y se encuentra que 5 de ellos tiene defectos. Se
obtiene una muestra aleatoria de n2 = 80 para la segunda marca y se encuentra que 6 de ellos tienen
defectos. La tasa de fabricación es la misma para las dos marcas. Sin embargo, como la primera cuesta
bastante menos, el fabricante le otorga a esa marca el beneficio de la duda y plantea la hipótesis
H0: π1 ≤ π2 . Pruebe la hipótesis en el nivel de significancia del 5%.

45
Datos

n1 = 50 n2 = 80

𝑝̅1 = .10 𝑝̅2 = .075

H0 (π1 − π2 ) ≤ 0H1 (π1 − π2 ) > 0

𝑧 𝑐𝑟𝑖𝑡𝑖𝑐 = (∝= 0.05) = +1.645

Operaciones

n1 p̂1 + n2 p̂2 50(0.10) + 80(0.075) 5 + 6

π
̂= = = = 0.085
n1 + n2 50 + 80 130

̂(1 + π
π ̂) π̂(1 + π
̂) (0.085)(0.915) (0.085)(0.915)
̂p̂1−p̂2 = √
σ + =√ +
n1 n2 50 80

0.0778 0.0778
=√ + = √0.0016 + 0.0010 = 0.051
50 80

p̂1− p̂2 0.10 − 0.075 0.025

z= = = = +0.49
̂p̂1− p̂2
σ 0.051 0.051

El valor calculado de z de +0.49 no es mayor que +1.645 para esta prueba del extremo
superior. Por ello, no puede rechazarse la hipótesis nula en el nivel de significancia del 5%.

Ejemplo 2:

Se desea saber si existe una diferencia de proporciones entre los alumnos que reprobaron la
materia de física de las escuelas Ignacio Ramírez Y Venustiano Carranza la encuesta se realiza
a 70 alumnos de la primera escuela de los cuales el 58% dijo haber reprobado y a 60 alumnos
de la segunda escuela y de estos el 70% reprobó.

A) Establecer la hipótesis nula y alternativa.

B) Establecer se rechaza o se acepta la hipótesis con un nivel de significancia del 5%.

Datos

n1 = 70 n2 = 60

46
𝑝̅1 =. .58 𝑝̅2 = .70

H0 (π1 − π2 ) = 0

H1 (π1 − π2 ) ≠ 0

𝑧 𝑐𝑟𝑖𝑡𝑖𝑐 = (∝= 5%) = 1 − .95 = .4750 = 1.96

Operaciones

n1 𝑝̅1 + n2 𝑝̅2 70(0.58) + 60(0.70) 82.6

π
̂= = = = 0.63
n1 + n2 70 + 60 130

̂(1 + π
π ̂) π̂(1 + π
̂) (. 63)(. 37) (. 63)(. 37)
̂p̂1−p̂2 = √
σ + =√ +
n1 n2 70 60

0.2331 0.2331
=√ + = √0.0033 + 0.0038 = 0.084
70 60

p̂1− p̂2 0.58 − 0.70 −0.12

z= = = = −1.42
̂p̂1− p̂2
σ 0.084 0.084

Figura 6: resultados de la
hipótesis nula

Se acepta la hipótesis nula de que no hay deferencia en el nivel de reprobados de las dos
escuelas.

47
 Conclusión
Los conceptos antes mencionados han sido analizados e investigados de tal manera de hacer
más fácil su comprensión y entendimientos ya que la estadística es la ciencia que trata de
entender, organizar y tomar decisiones que estén de acuerdo con los análisis efectuados. La
estadística juega un papel muy importante en nuestras vidas, ya que actualmente ésta se ha
convertido en un método muy efectivo para describir con mucha precisión los valores de datos
económicos, políticos, sociales, psicológicos, biológicos y físicos, además, sirve como
herramienta para relacionar y analizar dichos datos. El trabajo del experto estadístico ha
evolucionado mucho, ya no consiste sólo en reunir y tabular los datos, sino sobre todo en el
proceso de interpretación de esa información, ahora tiene un papel mucho más importante del
que tenía en años pasados.

Es de vital importancia para nuestra vida profesional venidera, que manejemos estos conceptos
con facilidad, así mismo el que los usemos de la manera apropiada, siempre en pro de
buscar soluciones a los problemas que se nos puedan presentar.

48
 Bibliografía
Alvarado, J., y Obagi, J. (2008). Fundamentos de Inferencia Estadística . Bogotá,D.C.:
Pontificia Universidad Javeriana.

Batanero, C. (2000). ¿Hacia dónde va la educación estadística? Departamento de

Didáctica de la Matemática, Universidad de Granada.

Canavos, G. (1998). Probabilidad y Estadística. Aplicaciones y métodos. México D.F: Mc

Graw Hill

Sánchez, C., Cortiñas, P., y Tejera, I. (2011). La prueba de hipótesis: Las tendencias
de Fisher y Neyman - Pearson. En J. Riobóo, & I. Riobóo, Historia de la
probabilidad y la estadística (págs. 357-364). Madrid: Asociación de Historia
de la Estadística y de la Probabilidad de España [AHEPE].

49