Parámetros de la proporción muestral: esperanza y error estándar

▶ Reproducir en la pizarra
1

Esperanza matemática e insesgadez de la proporción muestral

Para conocer las propiedades formales de la proporción muestral \(\hat{p} = \frac{X}{n}\), calculamos su valor esperado aplicando la propiedad de linealidad de la esperanza matemática:

$$E(\hat{p}) = E\left(\frac{X}{n}\right) = \frac{1}{n} E(X)$$

Como la variable recuento de éxitos \(X\) sigue una ley Binomial \(B(n, p)\), su esperanza es \(E(X) = n \cdot p\):

$$E(\hat{p}) = \frac{1}{n}(n \cdot p) = p$$

Esta demostración matemática prueba que la proporción muestral es un estimador estrictamente insesgado de la proporción poblacional: el promedio de las proporciones obtenidas en todas las muestras posibles coincide de forma exacta con el parámetro real.

2

Varianza de la proporción muestral

Aplicando la propiedad de la varianza para constantes escalares multiplicativas (\(Var(aX) = a^2 Var(X)\)):

$$Var(\hat{p}) = Var\left(\frac{X}{n}\right) = \frac{1}{n^2} Var(X)$$

Sustituyendo la varianza teórica de la distribución Binomial \(Var(X) = n \cdot p \cdot (1 - p) = n p q\):

$$Var(\hat{p}) = \frac{1}{n^2} [n p (1 - p)] = \frac{p(1 - p)}{n} = \frac{pq}{n}$$

La varianza decrece de forma estrictamente inversamente proporcional al tamaño muestral \(n\)

3

Error estándar de la proporción muestral

La desviación típica de la proporción muestral recibe el nombre técnico de error estándar o error típico de la proporción:

$$\sigma_{\hat{p}} = \sqrt{Var(\hat{p})} = \sqrt{\frac{p(1 - p)}{n}} = \sqrt{\frac{pq}{n}}$$
Propiedades: esenciales del error estándar

1. Relación con la raíz del tamaño muestral: Para reducir el error estándar a la mitad es necesario cuadruplicar el tamaño de la muestra.

2. Caso más desfavorable o máxima incertidumbre: El producto \(p(1 - p)\) alcanza su máximo absoluto en \(p = 0,50\), donde \(p(1 - p) = 0,25\)

Por tanto, el error típico máximo para un tamaño fijo se produce siempre en máxima indecisión.

3. Estimación muestral del error estándar: Cuando el parámetro \(p\) es desconocido, se sustituye por su estimador puntual \(\hat{p}\):

$$\hat{\sigma}_{\hat{p}} = \sqrt{\frac{\hat{p}(1 - \hat{p})}{n}}$$
Ejemplo 1: Cálculo analítico de esperanza y error estándar con parámetros conocidos
Explicación

Determinamos los dos momentos teóricos fundamentales de la proporción muestral.

En una comunidad autónoma el 40 por ciento de los ciudadanos declara leer habitualmente la prensa diaria (\(p = 0,40\)). Si se selecciona una muestra aleatoria de 400 ciudadanos, calcular la esperanza matemática y el error estándar de la proporción muestral.

PASO 1

Calculamos la esperanza matemática:

$$E(\hat{p}) = p = 0,40 \quad (40\%)$$
PASO 2

Calculamos la varianza de la proporción muestral:

$$Var(\hat{p}) = \frac{p(1 - p)}{n} = \frac{0,40 \cdot 0,60}{400} = \frac{0,24}{400} = 0,0006$$
PASO 3

Obtenemos el error estándar extrayendo la raíz cuadrada:

$$\sigma_{\hat{p}} = \sqrt{0,0006} = \frac{\sqrt{0,24}}{20} \approx 0,0245 \quad (2,45\%)$$
Conclusión

La media de la distribución muestral es 0,40 y su error estándar es 0,0245 (el 2,45 por ciento).

Ejemplo 2: Impacto del tamaño muestral en la precisión de la estimación
Explicación

Evaluamos el efecto de cuadruplicar el tamaño muestral en la reducción del error típico.

La intención de voto hacia una formación política se sitúa en el 20 por ciento (\(p = 0,20\)). Calcular el error estándar de la proporción muestral para dos sondeos: a) con 100 electores; b) con 400 electores.

PASO 1

Calculamos el error estándar para \(n = 100\):

$$\sigma_{100} = \sqrt{\frac{0,20 \cdot 0,80}{100}} = \sqrt{\frac{0,16}{100}} = \frac{0,40}{10} = 0,04 \quad (4\%)$$
PASO 2

Calculamos el error estándar para \(n = 400\):

$$\sigma_{400} = \sqrt{\frac{0,20 \cdot 0,80}{400}} = \sqrt{\frac{0,16}{400}} = \frac{0,40}{20} = 0,02 \quad (2\%)$$
Conclusión

Al cuadruplicar el tamaño muestral de 100 a 400 personas, el error típico se reduce exactamente a la mitad, pasando de 0,04 a 0,02.

Ejemplo 3: Determinación del error estándar máximo en el peor escenario
Explicación

Calculamos la cota superior del error estándar ante ausencia de información previa sobre la proporción.

Una agencia demoscópica proyecta un sondeo con 1000 encuestas sobre una cuestión inédita. Determinar cuál es el error estándar máximo absoluto que puede registrar el estudio.

PASO 1

Identificamos la condición del peor escenario posible:

La función de dispersión \(f(p) = p(1 - p)\) alcanza su máximo en el punto de máxima indecisión \(p = 0,50\), con valor \(0,50 \cdot 0,50 = 0,25\)

PASO 2

Calculamos el error estándar para \(p = 0,50\) y \(n = 1000\):

$$\sigma_{\max} = \sqrt{\frac{0,25}{1000}} = \sqrt{0,00025} \approx 0,0158 \quad (1,58\%)$$
Conclusión

El error estándar nunca superará el 1,58 por ciento, independientemente de cuál sea la verdadera proporción poblacional.

Ejemplo 4: Estimación empírica del error estándar a partir de datos muestrales
Explicación

Calculamos el error estándar estimado utilizando los datos observados en una muestra real.

En una muestra de 250 conductores, 35 declaran haber utilizado el teléfono móvil sin manos libres durante la última semana. Hallar la proporción muestral observada y su error estándar estimado.

PASO 1

Calculamos la proporción puntual muestral:

$$\hat{p} = \frac{35}{250} = \frac{7}{50} = 0,14 \quad (14\%)$$
PASO 2

Calculamos el complemento muestral:

$$1 - \hat{p} = 1 - 0,14 = 0,86$$
PASO 3

Calculamos el error estándar estimado:

$$\hat{\sigma}_{\hat{p}} = \sqrt{\frac{0,14 \cdot 0,86}{250}} = \sqrt{\frac{0,1204}{250}} = \sqrt{0,0004816} \approx 0,0219 \quad (2,19\%)$$
Conclusión

La proporción muestral observada es del 14 por ciento con un error estándar estimado de 0,0219 (el 2,19 por ciento).

Ejemplo 5: Demostración formal de insesgadez mediante sumatorios
Explicación

Desarrollamos la demostración analítica rigurosa de que la proporción muestral no contiene sesgo.

Demostrar formalmente que la proporción muestral es un estimador insesgado de la proporción poblacional utilizando las propiedades algebraicas del operador esperanza matemática.

PASO 1

Expresamos la proporción muestral en función de las variables indicatrices de Bernoulli:

$$\hat{p} = \frac{1}{n} \sum_{i=1}^n X_i$$
PASO 2

Aplicamos el operador esperanza matemática a la expresión lineal:

$$E(\hat{p}) = E\left(\frac{1}{n} \sum_{i=1}^n X_i\right) = \frac{1}{n} \sum_{i=1}^n E(X_i)$$
PASO 3

Sustituimos la esperanza individual de cada Bernoulli (\(E(X_i) = p\)):

$$E(\hat{p}) = \frac{1}{n} \sum_{i=1}^n p = \frac{1}{n} (n \cdot p) = p$$
Conclusión

El sesgo \(B(\hat{p}) = E(\hat{p}) - p = 0\), lo que demuestra de forma incontrovertible la insesgadez del estimador.