Básicos de las distribuciones de muestreo y su importancia

La inferencia estadística depende de una sola idea poderosa: usted puede aprender sobre una población entera estudiando una muestra bien escogida. Pero ¿cuánta confianza puede usted colocar en una sola muestra media o proporción? La respuesta viene de las distribuciones de muestreo. Estas distribuciones muestran lo que sucedería si tomase cada posible muestra de un tamaño dado de una población y computara la misma estadística cada vez.

¿Qué es una distribución de muestreo?

Una distribución de muestreo es la distribución de probabilidad de una estadística, como la media, mediana, proporción o varianza, calculado a partir de todas las posibles muestras aleatorias de un tamaño fijo n Para visualizar uno, imaginar una colección infinita de muestras. Para cada muestra computa la estadística de interés, luego compila esos valores. El histograma resultante (o curva de densidad) es la distribución de muestreo de esa estadística.

Terminología clave

  • Parámetro de población: una característica numérica de toda la población, por ejemplo, la población significa μ o proporción de población p.
  • Estadística de muestra: una característica numérica computada de una muestra, por ejemplo, media de muestra x) o proporción de muestras p ⁇ .
  • Error de muestreo: la diferencia entre una estadística de muestra y el parámetro de población correspondiente, causada por muestreo aleatorio.
  • Error estándar: la desviación estándar de una distribución de muestreo. Mide el tamaño típico del error de muestreo.

Un ejemplo concreto

Imagina una población de 10.000 adultos cuya altura media es de 170 cm. Tomas una muestra aleatoria de 100 personas y encuentras una muestra media de 172 cm. Una segunda muestra de 100 da 169 cm, una tercera da 171 cm. Si repetiste este proceso miles de veces y trazabas todos los medios de muestra, esos medios se agrupan alrededor de 170 cm. La extensión de ese cluster es el error estándar.

La forma del cluster - cómo se aglutina o angos- significa exactamente una muestra confiable distribución de muestreo de la muestra media.

Propiedades de las distribuciones de muestreo

Significado de la distribución de muestreo

Para una estadística imparcial, la media de la distribución de muestreo equivale al parámetro de población que estima. Para el medio de muestra, esto significa que el promedio de todos los medios posibles de muestra es exactamente la población media μ. Esta propiedad asegura que, en promedio, la estadística muestra golpea el objetivo.

Variancia y Error Estándar

La variabilidad de una distribución de muestreo depende de dos factores: la variabilidad de la población y el tamaño de la muestra. Para el medio de muestra, la varianza es σ2/n, donde σ2 es la varianza de población y n es el tamaño de la muestra. error estándar de la media. A medida que aumenta, el error estándar disminuye, lo que significa que la muestra significa que se vuelve más precisa. Esta relación inversa entre el tamaño de la muestra y la incertidumbre es una de las ideas más prácticas en todas las estadísticas.

Forma y el Teorema Central de Límites

La forma de una distribución de muestreo está influenciada por la forma de la población matriz y el tamaño de la muestra. El Teorema de Límite Central (CLT) afirma que para un tamaño de muestra suficientemente grande, la distribución de muestreo de la media de la muestra será aproximadamente normal, incluso si la población en sí misma no está distribuida normalmente. Para las poblaciones simétricas, unimodales, muestras tan pequeñas como 15–30 pueden producir una distribución de muestreo casi normal.

Por qué las distribuciones de muestreo son esenciales para la inferencia

Sin distribución de muestreo, cada resultado de muestra se mantendrá solo, sin manera de evaluar su fiabilidad. Las distribuciones de muestreo proporcionan el marco para:

  • Intervalos de confianza: utilizando el error estándar y la forma de la distribución de muestreo para construir una gama de valores plausibles para el parámetro de población.
  • Pruebas de hipotesis: comparando una estadística de muestra observada con la distribución de muestreo bajo una hipótesis nula para calcular un valor p.
  • Margen de error: cuantificar el error de muestreo máximo esperado a un nivel de confianza dado.

Este marco se utiliza diariamente en la encuesta, ensayos clínicos, control de calidad y pruebas A/B. Convierte los datos brutos en decisiones factibles con un nivel de riesgo conocido.

El Teorema de Límite Central en Detalle

El Teorema de Límite Central es el teorema más importante en las estadísticas. Dice que si se obtiene muestras aleatorias de tamaño n de cualquier población con una media finita μ y varianza finita σ2, la distribución de la muestra significa acerca una distribución normal a medida que n se hace mayor. Esto sostiene independientemente de si la población es simétrica, segado o incluso multimodal. El CLT es por qué puede utilizar pruebas de z y pruebas de t.

Condiciones para el CLT

  1. Selladora aleatoria: Las muestras deben ser independientes y seleccionadas aleatoriamente. Las muestras de no-arreno pueden introducir sesgos que el CLT no puede corregir.
  2. Tamaño de la muestra: Para el medio, n ≥ 30 es una regla común de pulgar, pero se necesitan más muestras para poblaciones fuertemente asedidas. Para proporciones, tanto np ≥ 10 y n(1-p) ≥ 10 son requeridos.
  3. Independencia: Al muestreo sin reposición, el tamaño de la muestra no debe ser más del 10% de la población para evitar la dependencia entre las observaciones.

¿Por qué el CLT importa?

El CLT permite calcular las probabilidades de los medios de muestra sin conocer la distribución exacta de la población. Por ejemplo, un ingeniero de fabricación puede utilizar el modelo normal para predecir con qué frecuencia un promedio de muestra caerá fuera de los límites de especificación, incluso si las mediciones individuales siguen una distribución asada.El teorema también justifica el cálculo de los valores p en las pruebas de hipótesis: se compara su estadística de prueba con una distribución normal (o t) de muestreo.

Distribución de muestreo común en la práctica

Distribución de muestreo del medio de muestra

Esta distribución tiene un error μ y estándar σ/√n. Cuando se desconoce σ, se estima con la desviación estándar de la muestra S, y la distribución de muestreo resultante sigue una distribución t‐ con n‐1 grados de libertad. La distribución t- es más amplia que la normal, reflejando la incertidumbre extra de estimar σ. Para grandes tamaños de muestra (n √° 100), la distribución t- y la distribución normal son casi idénticos.

Distribución de muestreo de la Proporción de Muestra

Para datos binomiales, la proporción de muestra p ⁇ ha media p y error estándar √[p(1-p)/n]. Para muestras grandes, esta distribución es aproximadamente normal, lo que permite intervalos de confianza y pruebas de hipótesis para proporciones. Esta es la base para la polinización política, investigación de mercado y control de calidad de los artículos defectuosos.

Distribución de muestreo de la diferencia entre dos medios

En estudios comparativos, como pruebas A/B o ensayos clínicos, los investigadores comparan dos medios de muestra.x)1 – x)2) tiene significado μ1 – μ2 y error estándar √(σ12/n1 + σ22/n2). En la práctica, se utilizan las varianzas agrupadas o la aproximación de Welch. Esta distribución le dice si una diferencia observada es probable debido a un efecto real o simplemente ruido aleatorio.

Distribución de muestreo de la variación de muestra

Menos comúnmente enseñado pero igualmente importante: la varianza muestral S2 sigue una distribución reducida de la superficie con n-1 grados de libertad cuando la población es normal, lo que es esencial para construir intervalos de confianza para una varianza de población y para el análisis de la varianza (ANOVA).

Aplicaciones Prácticas

Encuestas y encuestas

Las organizaciones de votación dependen de las distribuciones de muestreo para informar de los márgenes de error. Una encuesta de 1.000 votantes encuentra apoyo del 48% para un candidato. El error estándar de esa proporción es de aproximadamente 1,6 puntos porcentuales. Utilizando la aproximación normal, el margen de error del 95% es aproximadamente 3.1 puntos. La encuesta puede entonces informar que el verdadero apoyo probablemente está entre el 44,9% y el 51,1%.

Control de calidad en la fabricación

Los fabricantes utilizan distribuciones de muestreo en los cuadros de control. Ellos trazan muestra significa con el tiempo y los comparan con los límites de control calculados a partir de la distribución de muestreo (centro = objetivo, spread = σ/√n). Si un punto cae más de tres errores estándar del centro, el proceso probablemente está fuera de control y necesita investigación. Este uso de distribuciones de muestreo ahorra millones de dólares al capturar problemas temprano.

Investigación Médica y ensayos clínicos

En un ensayo clínico, un nuevo fármaco reduce la presión arterial por un promedio de 5 mmHg en comparación con un placebo. Pero el error estándar de la diferencia es de 4 mmHg. Usando la distribución de muestreo de la diferencia, el valor p-valor sale a 0.21—no evidencia fuerte. Esto evita que los investigadores sobreinterpreten un resultado que podría haber ocurrido fácilmente por casualidad.

A/B Testing and Digital Analytics

Las empresas utilizan distribuciones de muestreo para evaluar cambios en sitios web o aplicaciones. Cuando se ejecuta una prueba A/B, se comparan las tasas de conversión entre un control y una variación. La diferencia observada se compara con la distribución de muestreo bajo la hipótesis nula (sin diferencia). Si la probabilidad de ver una diferencia tan extrema es baja (normalmente inferior al 5%), se concluye que el cambio tuvo un efecto real.

Consideraciones avanzadas: botsificación

En muchas situaciones del mundo real, no se cumplen las suposiciones necesarias para las distribuciones de muestreo tradicionales (normalidad, diferencia conocida, tamaños de muestras grandes). El arranque es un método computacional que crea una distribución empírica de muestreo al reempanar con el reemplazo de la muestra original. No depende de la CLT o cualquier suposición paramétrica. Errores estándar de arranque y intervalos de confianza son especialmente útiles para estadísticas complejas como el cálculo de botas

Misconcepciones comunes

  • Misconcepción 1: El CLT se aplica a los datos, no a la estadística. El CLT describe la forma de la distribución de muestreo de la muestra media, no la distribución de observaciones individuales. La población puede permanecer segado; sólo la muestra significa volverse normal (en muestras grandes).
  • Misconcepción 2: Todas las distribuciones de muestreo son normales. La distribución de muestreo de la muestra significa que se vuelve normal sólo con el tamaño de muestra suficientemente grande. Otras estadísticas (por ejemplo, varianza de muestra, mediana de muestra, correlación de muestra) tienen diferentes distribuciones de muestreo que pueden no ser normales incluso en muestras grandes.
  • Misconcepción 3: El histograma de una sola muestra es la distribución de muestreo. Una muestra única proporciona un valor de la estadística, no una distribución. La distribución de muestreo es una construcción teórica basada en muestreo repetido.
  • Misconcepción 4: Una muestra grande garantiza una estimación imparcial. Incluso con muestras grandes, existe error de muestreo, sólo se hace más pequeño. Sesgos de muestreo no-racional, error de medición o no respuesta sigue sin tener en cuenta el tamaño de la muestra.
  • Misconcepción 5: El error estándar es el mismo que la desviación estándar de la muestra. La desviación estándar de la muestra mide variabilidad entre las observaciones individuales. El error estándar mide variabilidad entre los medios de muestra. No son intercambiables.

Conclusión

Las distribuciones de muestreo son el objetivo a través del cual vemos la incertidumbre en los datos. Ellos dan estadística, científicos de datos y analistas la capacidad de tomar decisiones informadas con un nivel de riesgo conocido. Desde el Teorema de Límite Central al error estándar, estos conceptos no son teoría abstracta – son herramientas prácticas utilizadas cada día en las encuestas, ensayos clínicos, fabricación y experimentos en línea.

Para más lectura, comience con estos recursos en línea: Unidad de distribución de muestreo de Khan Academy, el tutorial de StatTrek, y Estado del Penn STAT 500. Para una inmersión más profunda, consulte Estadísticas para Negocios y Economía por Anderson, Sweeney, y Williams, o el libro de texto de código abierto Estadísticas OpenIntro.