¿Qué son parámetros, estimaciones de parámetros y distribuciones de muestreo?

Más información sobre Minitab 18

Cuando usted desea determinar información acerca de una característica particular de la

población (por ejemplo, la media), generalmente toma una muestra aleatoria de esa población
porque no es factible medir toda la población. Utilizando esa muestra, usted calcula la
característica de la muestra correspondiente, que se usa para resumir información acerca de la
característica desconocida de la población. La característica de interés de la población se conoce
como parámetro y la característica correspondiente de la muestra es el estadístico de la muestra o
la estimación de parámetro. Debido a que el estadístico es un resumen de información acerca de
un parámetro obtenido a partir de la muestra, el valor de un estadístico depende de la muestra
específica que fue extraída de la población. Sus valores cambian aleatoriamente de una muestra
aleatoria a la siguiente, por lo que un estadístico es una cantidad aleatoria (variable). La
distribución de probabilidad de esta variable aleatoria se denomina distribución de muestreo. La
distribución de muestreo de un estadístico (de muestra) es importante porque permite sacar
conclusiones acerca del parámetro de población correspondiente con base en una muestra
aleatoria.

Por ejemplo, cuando tomamos una muestra de una población distribuida normalmente, la media
de la muestra es un estadístico. El valor de la media de la muestra basado en la muestra en
cuestión es una estimación de la media de la población. Este valor estimado cambiará
aleatoriamente si se toma otra muestra de la misma población normal. La distribución de
probabilidad que describe esos cambios es la distribución de muestreo de la media de la muestra.
La distribución de muestreo de un estadístico especifica todos los valores posibles de un
estadístico y con qué frecuencia ocurre un rango de valores del estadístico. En aquellos casos en
los que la población de origen es normal, la distribución de muestreo de la media de la muestra
también es normal.

Las siguientes secciones proporcionan más información sobre los parámetros, las estimaciones de
parámetros y las distribuciones de muestreo.

Acerca de los parámetros

Los parámetros son medidas descriptivas de una población completa que se pueden utilizar como
las entradas para que una función de distribución de probabilidad (PDF, por sus siglas en inglés)
genere curvas de distribución. Los parámetros generalmente se representan con letras griegas
para distinguirlos de los estadísticos de muestra. Por ejemplo, la media de la población se
representa con la letra griega mu (μ) y la desviación estándar de la población, con la letra griega
sigma (σ). Los parámetros son constantes fijas, es decir, no varían como las variables. Sin embargo,
sus valores por lo general se desconocen, porque es poco factible medir una población entera.

Cada distribución es definida totalmente por varios parámetros específicos, generalmente entre
uno y tres. La tabla siguiente incluye ejemplos de los parámetros necesarios para tres
distribuciones. Los valores de los parámetros determinan la ubicación y la forma de la curva en la
gráfica de distribución y cada combinación única de valores de parámetros produce una curva de
distribución única.
Distribución Parámetro 1 Parámetro 2 Parámetro 3

Chi-cuadrada Grados de libertad

Normal Media Desviación estándar

Gamma de 3 parámetros Forma Escala Valor umbral

Por ejemplo, una distribución normal es definida por dos parámetros: la media y la desviación
estándar. Si se especifican estos parámetros, se conoce con precisión toda la distribución.

La línea continua representa una distribución normal con una media de 100 y una desviación
estándar de 15. La línea discontinua también es una distribución normal, pero tiene una media de
120 y una desviación estándar de 30.

Acerca de las estimaciones de parámetros (también conocidas como estadísticos de muestra)

Los parámetros son medidas descriptivas de toda una población. Sin embargo, sus valores por lo
general se desconocen, porque es poco factible medir una población entera. Por eso, usted puede
tomar una muestra aleatoria de la población para obtener estimaciones de los parámetros. Un
objetivo del análisis estadístico es obtener estimaciones de los parámetros de la población, junto
con la cantidad de error asociada con estas estimaciones. Estas estimaciones se conocen también
como estadísticos de muestra.

Existen diferentes tipos de estimaciones de parámetros:

 Las estimaciones de punto son el valor individual más probable de un parámetro. Por
ejemplo, la estimación de punto de la media de la población (el parámetro) es la media de
la muestra (la estimación del parámetro).

 Los intervalos de confianza son un rango de valores que probablemente contienen el

parámetro de población.

Para un ejemplo de estimaciones de parámetros, supongamos que usted trabaja para un

fabricante de bujías que estudia un problema en la separación entre electrodos. Sería demasiado
costoso medir cada bujía que se fabrica. En lugar de ello, toma una muestra aleatoria de 100 bujías
y mide la separación en milímetros. La media de la muestra es 9.2. Esta es la estimación de punto
para la media de la población (μ). Igualmente crea un intervalo de confianza de 95% para μ que es
(8.8, 9.6). Esto significa que puede estar 95% seguro de que el valor verdadero de la separación
promedio de todas las bujías se encuentra entre 8.8 y 9.6.

Acerca de las distribuciones de muestreo

Una distribución de muestreo es la distribución de probabilidad de un estadístico dado, como la

media. Para ilustrar una distribución de muestreo, examinemos un ejemplo sencillo donde se
conoce toda la población. Por ejemplo, la siguiente tabla muestra los pesos de toda la población
de 6 calabazas. Las calabazas solo pueden tener uno de los valores de peso incluidos en la
siguiente tabla.

Calabaza 1 2 3 4 5 6

Peso 19 14 15 12 16 17

Incluso si se conoce toda la población, con fines ilustrativos, tomamos todas las muestras
aleatorias posibles de la población que contengan 3 calabazas (20 muestras aleatorias). Luego,
calculamos la media de cada muestra. La distribución de muestreo de las medias de las muestras
es descrita por todas las medias de muestra de cada muestra aleatoria posible de 3 calabazas, lo
cual se refleja en la siguiente tabla.

Muestra Pesos Peso medio Probabilidad

2, 3, 4 14, 15, 12 13.7 1/20

2, 4, 5 14, 12, 16 14 1/20

2, 4, 6 14, 12, 17
14.3 2/20
3, 4, 5 15, 12, 16

3, 4, 6 15, 12, 17 14.7 1/20

1, 2, 4 19, 14, 12

2, 3, 5 14, 15, 16 15 3/20

4, 5, 6 12, 16, 17

2, 3, 6 14, 15, 17 15.3 2/20

Muestra Pesos Peso medio Probabilidad

1, 3, 4 19, 15, 12

1, 4, 5 19, 12, 16
15.7 2/20
2, 5, 6 14, 16, 17

1, 2, 3 19, 14, 15

3, 5, 6 15, 16, 17 16 3/20

1, 4, 6 19, 12, 17

1, 2, 5 19, 14, 16 16.3 1/20

1, 2, 6 19, 14, 17
16.7 2/20
1, 3, 5 19, 15, 16

1, 3, 6 19, 15, 17 17 1/20

1, 5, 6 19, 16, 17 17.3 1/20

La distribución de muestreo de los pesos medios se muestra en esta gráfica. La distribución se

centra alrededor de 15.5, que también es el valor verdadero de la media de la población. Y las
muestras aleatorias con medias de muestra más cercanas a 15.5 tienen una mayor probabilidad de
ocurrir que las muestras con medias de muestra más alejadas de 15.5.

En la práctica, es prohibitivo y poco factible tabular la distribución de la distribución de muestreo

como en el ejemplo ilustrativo anterior. Incluso en el mejor escenario, cuando usted conoce la
población de origen de las muestras, quizás no pueda determinar la distribución de muestreo
exacta del estadístico de muestra de interés. Sin embargo, en algunos casos probablemente pueda
aproximar la distribución de muestreo del estadístico de la muestra. Por ejemplo, si toma una
muestra de la población normal, entonces la media de la muestra tiene exactamente la
distribución normal.

Pero si usted toma una muestra de una población que no es normal, es probable que no pueda
determinar la distribución exacta de la media de la muestra. Sin embargo, debido al teorema del
límite central, la media de la muestra se distribuye aproximadamente como una distribución
normal, siempre y cuando sus muestras sean lo suficientemente grandes. Entonces, si no se
conoce la población y las muestras son lo suficientemente grandes, usted podría afirmar, por
ejemplo, que existe aproximadamente un 85% de certeza de que la media de la muestra esté
dentro de un cierto número de desviaciones estándar de la media de la población.