Última actualización: 2026-11-07

Contenido de esta página

• ¿Qué es la estadística inferencial?
• ¿Cómo se pasa de una muestra a toda la población?
• Estimación puntual y por intervalos: la lanza y la red
• ¿Qué hace bueno a un estimador? Insesgadez, eficiencia y consistencia
• El error estándar y por qué cae con la raíz de n
• Paramétrico o no paramétrico: cuánto supone usted sobre los datos
• Mapa de técnicas de la estadística inferencial: qué pregunta responde cada una
• Ejemplos de estadística inferencial en la vida real
• Cuando contar todo es posible, la inferencia sobra

En enero de 2014, el DANE (Departamento Administrativo Nacional de Estadística, la entidad que produce las cifras oficiales de Colombia) publicó una guía de tres páginas [1]. Explicaba cómo leer el error de su Encuesta de Sacrificio de Ganado, la operación que mide cuántos animales se sacrifican en el país para consumo humano [1][3].

El ejemplo de la guía es concreto. Entre enero y junio de 2013, el sacrificio de vacunos se estimó en 2.020.065 cabezas [1]. La guía no se quedaba en esa cifra: le sumaba y le restaba 167.058 cabezas [1].

Con esa cuenta concluía que, con 95 % de confianza, el total estaba entre 1.853.007 y 2.187.123 [1].

¿Por qué un rango y no un número exacto? Porque en esos años la encuesta no preguntaba a todas las plantas de sacrificio. En 2016, por ejemplo, consultaba cada mes una muestra de 460 establecimientos registrados [2].

Ese mismo año, el DANE convirtió la encuesta de muestra probabilística en una operación censal, es decir, en un conteo de todas las plantas [3]. Hoy su ficha técnica dice, sin más: «Tipo de investigación. Censo» [3].

El rango desapareció con la muestra. Eso es la estadística inferencial: el oficio de decir cuánto vale algo en toda una población cuando solo se observó una parte, y cuánto puede fallar esa cifra.

¿Qué es la estadística inferencial?

La estadística inferencial es el conjunto de métodos que usa los datos de una muestra para estimar valores de toda la población y medir la incertidumbre de esas estimaciones. Su producto nunca es solo una cifra. Es una cifra acompañada de su margen de error, porque otra muestra habría dado un resultado algo distinto.

El libro abierto OpenIntro Statistics lo dice en una frase. La inferencia estadística se ocupa sobre todo de «entender y cuantificar la incertidumbre de las estimaciones de parámetros» [4]. Un parámetro es el valor verdadero de la población que casi nunca se conoce: el porcentaje real, el promedio real, el total real.

El curso de estadística aplicada del MIT (Instituto Tecnológico de Massachusetts) hace la distinción con dados. Cuando el proceso se conoce por completo, como un dado sin trucos, basta la probabilidad [5]. Cuando hay que estimar parámetros a partir de datos, empieza la estadística [5].

Resumir lo que muestra un conjunto de datos, sin ir más allá de él, es otro oficio. Esa diferencia entre describir e inferir tiene su propia guía: estadística descriptiva. Y el mapa completo de la disciplina, de la descripción a los modelos, está en estadística para ciencia de datos.

¿Cómo se pasa de una muestra a toda la población?

Se pasa con un razonamiento en tres pasos. Se calcula una cifra en la muestra y se averigua cuánto variaría esa cifra de una muestra a otra. Con esa variación se dice qué valores de la población son razonables. El segundo paso es el que separa la inferencia de una simple adivinanza.

Cuatro palabras sostienen todo lo demás:

• Población: el conjunto completo sobre el que se quiere concluir, como todas las plantas de sacrificio de ganado del país.
• Muestra: la parte que sí se observó, como los 460 establecimientos que la encuesta del DANE consultaba cada mes en 2016.
• Parámetro: el valor verdadero de la población, que es desconocido.
• Estimador: la regla de cálculo que se aplica a la muestra para aproximar ese parámetro, como «sacar el promedio de la muestra».

El curso del MIT define el estimador con precisión de matemático: es cualquier cálculo con los datos cuya fórmula no depende del parámetro desconocido [6]. Dicho en llano, es una receta que se puede aplicar sin saber la respuesta.

OpenIntro muestra el segundo paso con una simulación. Toma muchas muestras al azar de una misma población, calcula la proporción en cada una y dibuja todas las proporciones juntas [4]. Ese dibujo se llama distribución muestral: el abanico de resultados que habría dado la misma encuesta repetida muchas veces [4]. En su ejemplo, el centro del abanico coincide con el valor real y la forma se parece a una campana [4].

La inferencia descansa en una condición que conviene decir pronto. La muestra tiene que ser aleatoria, o al menos el azar tiene que intervenir con reglas conocidas. Cómo se escoge esa muestra y de qué tamaño son temas del muestreo, que no se desarrollan aquí.

Estimación puntual y por intervalos: la lanza y la red

La estimación puntual entrega una sola cifra como mejor apuesta del valor de la población. La estimación por intervalos entrega un rango de valores razonables, calculado para que contenga el valor verdadero con una confianza fijada de antemano. La primera es más fácil de comunicar; la segunda es más honesta.

OpenIntro lo explica con una imagen de pesca [4]. Usar solo la estimación puntual es como pescar con lanza en un lago turbio: se lanza donde se vio el pez y probablemente se falla [4]. Un intervalo de confianza es como lanzar una red en esa zona, con buena probabilidad de atraparlo [4].

¿Qué significa «95 % de confianza»? El manual de estadística del NIST (Instituto Nacional de Estándares y Tecnología de Estados Unidos) lo responde así. Si se muestreara la misma población muchas veces y en cada ocasión se calculara un intervalo, los intervalos atraparían el valor verdadero en aproximadamente el 95 % de los casos [7].

La confianza es del método, no de un intervalo en particular. El de la encuesta de ganado, entre 1.853.007 y 2.187.123 cabezas, contiene o no contiene el total real de ese semestre [1]. Lo que se sabe es que la receta que lo produjo acierta casi siempre.

¿Qué hace bueno a un estimador? Insesgadez, eficiencia y consistencia

Un buen estimador cumple tres propiedades. No se equivoca siempre hacia el mismo lado, varía poco de una muestra a otra y se acerca al valor verdadero cuando crece la muestra. En la jerga se llaman insesgadez, eficiencia y consistencia, y cada una responde una pregunta distinta.

Propiedad	Qué significa en palabras sencillas	La pregunta que responde	Respaldo
Insesgadez	Si se repitiera la muestra muchas veces, el promedio de las estimaciones caería justo en el valor verdadero	¿Mi receta apunta al blanco o se corre hacia un lado?	OpenIntro [4] y NIST [8]
Eficiencia	Entre recetas del mismo tipo, es la que menos varía, y por eso da el intervalo más estrecho	¿Hay otra receta que acierte con menos dispersión?	NIST [8]
Consistencia	Cuando la muestra crece, la estimación se acerca al valor verdadero	¿Más datos me acercan a la respuesta?	MIT [5][6]

La insesgadez, dicha por OpenIntro, se ve en su simulación. Como la distribución de la proporción muestral siempre queda centrada en la proporción de la población, esa proporción es insesgada cuando los datos son independientes y salen de esa población [4].

La eficiencia, en el manual del NIST, se describe como varianza mínima. Es el estimador con la menor varianza, y por eso con el intervalo de confianza más estrecho, entre todos los de su tipo [8]. El manual lo menciona al hablar de la máxima verosimilitud, un método general para estimar parámetros. Sus estimaciones se vuelven insesgadas y de varianza mínima a medida que crece la muestra [8].

La consistencia aparece en el curso del MIT como consecuencia de la ley de los grandes números, el resultado que dice que el promedio de muchas observaciones se acerca al promedio verdadero [5]. Cuando el tamaño de la muestra se vuelve grande, el promedio muestral es un buen estimador, «consistente», del parámetro [5].

Las tres propiedades no siempre van juntas. El curso del MIT resume el equilibrio en una igualdad: el riesgo cuadrático de un estimador, es decir, su error al cuadrado esperado, es igual al sesgo al cuadrado más la varianza [6]. La consecuencia práctica es una lectura propia: a veces conviene aceptar un sesgo pequeño a cambio de mucha menos variación.

El error estándar y por qué cae con la raíz de n

El error estándar es la desviación típica de un estimador: mide cuánto cambiaría la estimación si se repitiera la muestra. Su fórmula para un promedio es la desviación estándar de la población dividida por la raíz cuadrada del tamaño de la muestra. Por eso multiplicar la muestra por cuatro solo reduce el error a la mitad.

OpenIntro usa el término «error estándar» en lugar de «desviación estándar» cuando se habla de la variabilidad de una estimación [4]. Las dos fórmulas básicas del libro son estas [4]:

• Para un promedio: error estándar = σ / √n, donde σ es la desviación estándar de la población y n el tamaño de la muestra.
• Para una proporción: error estándar = √(p × (1 − p) / n), donde p es la proporción.

En la práctica, el valor verdadero no se conoce. El libro explica que se reemplaza por el de la muestra, un atajo que llama «principio de sustitución» (plug-in principle) [4]. Con ese error se arma el intervalo del 95 %: la estimación más o menos 1,96 errores estándar [4].

Un ejemplo calculado: las parejas que giran a la derecha

El curso del MIT abre con un estudio publicado en la revista Nature [5][9]. En él se observaron 124 parejas besándose, y 80 giraron la cabeza hacia la derecha: una proporción de 64,5 % [5].

Este código en Python 3.11 calcula el error estándar de esa estimación. Luego repite el cálculo con muestras hipotéticas de cuatro y dieciséis veces ese tamaño, con la misma proporción:

# Error estándar de una proporción y su caída con la raíz de n
# Solo biblioteca estándar de Python (math)
import math

exitos, n = 80, 124          # parejas que giran la cabeza a la derecha, de 124
p = exitos / n               # estimación puntual
print(f"Estimación puntual: {p:.3f}")

for tamano in (124, 496, 1984):          # cada fila multiplica la muestra por 4
    ee = math.sqrt(p * (1 - p) / tamano) # error estándar con la proporción observada
    margen = 1.96 * ee                   # margen de error al 95 %
    print(f"n = {tamano:>4}: error estándar = {ee:.4f}, "
          f"intervalo del 95 % = [{p - margen:.3f}, {p + margen:.3f}]")

La función que saca la raíz cuadrada, math.sqrt, es parte de la biblioteca estándar de Python [10]. El resultado, ordenado:

Tamaño de la muestra	Error estándar	Intervalo del 95 %
124 parejas (dato real)	0,0430	de 0,561 a 0,729
496 parejas (hipotético)	0,0215	de 0,603 a 0,687
1.984 parejas (hipotético)	0,0107	de 0,624 a 0,666

Cada vez que la muestra se multiplica por cuatro, el error estándar baja a la mitad. Es la raíz cuadrada en acción, y es una noticia incómoda para cualquier presupuesto. La precisión se compra cara: para ganar un decimal de exactitud hay que encuestar muchísimo más.

La campana que aparece una y otra vez en estas cuentas viene del teorema del límite central. Ese resultado dice que los promedios de muchas muestras se reparten en forma de campana, y merece explicación aparte.

Cómo lee el DANE el tamaño del error

En su guía de esta encuesta, el DANE expresa el error como coeficiente de variación estimado: el error estándar expresado como porcentaje de la estimación [1]. Para la encuesta de ganado, su guía proponía estos criterios de lectura [1]:

Coeficiente de variación estimado	Calidad de la estimación según la guía
Menor del 3 %	Excelente
Entre 3 % y 5 %	De buena calidad
Entre 5 % y 15 %	Aceptable
Mayor del 15 %	De uso restringido: usar con precaución

La guía misma advierte el alcance de esa escala: «La utilización del c.v.e depende directamente de las condiciones del estudio, por lo cual no hay reglas universales» [1]. Es una orientación, no una ley.

Paramétrico o no paramétrico: cuánto supone usted sobre los datos

La inferencia paramétrica supone que los datos siguen una familia conocida de distribuciones, como la normal, y solo estima los pocos números que la definen. La no paramétrica supone mucho menos sobre la forma de los datos. A cambio de esa prudencia, puede entregar intervalos más anchos.

El curso del MIT lo muestra con un ejemplo de clase: el número de hermanos, contándose a sí mismo, de un grupo de estudiantes universitarios [6]. Sin suponer nada, habría que aprender la probabilidad de cada valor posible, y eso da siete parámetros [6]. Si se supone que los datos siguen una distribución de Poisson, una curva clásica para contar sucesos, basta aprender uno solo [6]. El curso llama paramétrico al modelo cuando el parámetro es un conjunto finito de números [6].

Suponer ahorra datos, pero obliga a revisar. El manual del NIST advierte que las pruebas de su capítulo de comparaciones dependen de la normalidad, y que hay que examinar los datos antes de aplicarlas [7]. Agrega que esas pruebas toleran desviaciones pequeñas, siempre que los datos tengan forma de campana y colas no pesadas [7].

El promedio es el caso de libro. El NIST lo describe como el mejor estimador posible si la distribución de fondo es normal, pero sin la robustez de validez: si los datos no son normales, sus intervalos tienden a perder precisión [8]. La mediana, el valor del centro de los datos ordenados, tiende a conservar esa validez [8]. Lo que no tiene es robustez de eficiencia: con colas pesadas, sus intervalos no siempre son tan estrechos como podrían [8].

Un ejemplo sin suponer la forma: los parabrisas

El NIST pone un ejemplo donde son peligrosas las suposiciones sin respaldo sobre la forma exacta de los datos: probar la resistencia del vidrio de los parabrisas de avión [7]. Allí es imprescindible que una proporción muy grande de la población quede dentro de límites aceptables [7].

Para no suponer la forma de los datos, el manual propone un intervalo de tolerancia, es decir, un rango que debe cubrir una parte fijada de la población. El intervalo más simple va de la medición menor a la mayor [7]. El NIST calcula cuánta confianza da ese intervalo con 25 mediciones [7]:

Parte de la población que se quiere cubrir	Confianza del intervalo entre la menor y la mayor de 25 mediciones
75 %	0,993
90 %	0,729
95 %	0,358

Con 25 datos y sin suponer nada, prometer que ese rango cubre el 95 % de la población solo se sostiene con una confianza de 0,358. El manual lo resume: estos métodos funcionan aunque no se conozca la forma de la distribución, pero pueden producir intervalos sustancialmente más anchos [7]. Ese es el precio de no suponer.

Mapa de técnicas de la estadística inferencial: qué pregunta responde cada una

Las técnicas de la estadística inferencial se eligen por la pregunta y por el tipo de dato: proporción, promedio, tabla de conteos o forma desconocida. La tabla resume las familias que recorre OpenIntro en sus capítulos de inferencia, más el intervalo de tolerancia del NIST [4][7]. Es un mapa para orientarse, no un recetario.

Su pregunta	Tipo de dato	Técnica de inferencia
¿Qué porcentaje de la población tiene esta característica?	Una proporción	Intervalo de confianza para una proporción
¿Cuál es el promedio de la población?	Un promedio	Intervalo con la distribución t
¿El mismo caso cambió entre dos mediciones?	Datos en pares, antes y después	Inferencia para datos pareados
¿Dos grupos tienen promedios distintos?	Dos promedios	Diferencia de dos promedios
¿Dos grupos tienen porcentajes distintos?	Dos proporciones	Diferencia de dos proporciones
¿Varios grupos tienen el mismo promedio?	Tres o más promedios	Análisis de varianza (ANOVA)
¿Los conteos se reparten como se esperaba?	Una tabla de conteos	Prueba ji cuadrado de bondad de ajuste
¿Dos variables de categorías están relacionadas?	Una tabla de doble entrada	Prueba ji cuadrado de independencia
¿Qué rango cubre una parte fijada de la población?	Mediciones, con o sin forma conocida	Intervalo de tolerancia

Varias filas son pruebas, no estimaciones. El procedimiento para contrastar una hipótesis, paso a paso, es materia de la prueba de hipótesis y no se desarrolla aquí. Lo mismo vale para elegir el tamaño de la muestra.

Dos vecinos quedan fuera de este mapa. La regresión lineal, que mide cuánto cambia una variable cuando cambia otra, tiene su guía aparte. Y la pregunta de si una política económica causó un resultado le corresponde a la econometría, la rama que usa la estadística para medir relaciones económicas.

Ejemplos de estadística inferencial en la vida real

Los ejemplos de estadística inferencial tienen siempre la misma forma: una muestra, una estimación y un margen. Cambia lo que se mide. Estos tres salen de las fuentes de esta guía y muestran tres usos distintos del mismo razonamiento.

1. Estimar un total en Colombia. La encuesta de ganado del DANE estimó el sacrificio de vacunos de un semestre con su intervalo, cuando todavía trabajaba con muestra [1].
2. Estimar un porcentaje. El estudio de las parejas estimó qué proporción gira la cabeza hacia la derecha al besar. Su autor concluyó que el doble de adultos gira a la derecha que a la izquierda [9].
3. Garantizar un rango de calidad. El NIST usa los parabrisas de avión para mostrar cuándo conviene no suponer la forma de los datos [7].

En los tres, la pregunta de fondo es la misma. ¿Cuánto vale esto donde no medí?

Cuando contar todo es posible, la inferencia sobra

Vuelvo a la encuesta de ganado. En el segundo trimestre de 2026, el DANE reportó para los vacunos una cobertura de 99,67 % y una no respuesta de 0,33 % [3]. El boletín también reporta una tasa de imputación de 0,33 %: la imputación es poner valores estimados donde falta la respuesta [3]. Ni siquiera un censo es perfecto. Pero su error ya no viene de haber escogido unas plantas y no otras.

Me atrevo a una posición. La estadística inferencial es una herramienta para cuando contar todo es imposible o demasiado caro, no una señal de sofisticación. Si un analista tiene la tabla completa de sus ventas, ponerle un intervalo de confianza al total es teatro. Si tiene 400 encuestas de 2 millones de clientes, entregar el promedio sin su error estándar es peor que teatro: es una cifra que aparenta una seguridad que no tiene.

La guía del DANE de 2014 hacía algo que pocos informes hacen: le enseñaba al lector a dudar de la cifra con números [1]. ¿Cuántas de las cifras que usted reporta cada mes vienen de una muestra y llegan a la reunión sin su margen?

Preguntas frecuentes

¿Cuál es la diferencia entre un parámetro y un estadístico? El parámetro es el valor verdadero de la población: casi nunca se conoce. El estadístico es cualquier cálculo hecho con la muestra, como un promedio o un porcentaje. Cuando ese cálculo se usa para aproximar un parámetro, recibe el nombre de estimador, según la definición del curso del MIT [6].

¿Qué es la estimación estadística? Es el procedimiento para aproximar un valor desconocido de la población con los datos de una muestra. Puede dar una sola cifra, llamada estimación puntual, o un rango con un nivel de confianza, llamado estimación por intervalos [4]. Ambas se apoyan en el error estándar para saber cuánto pueden fallar.

¿Una muestra más grande siempre da mejores resultados? Da resultados más precisos, porque el error estándar baja con la raíz del tamaño de la muestra [4]. No arregla una muestra mal escogida: si el método de selección favorece a un grupo, crecer solo repite el sesgo con más confianza. Y la mejora es cada vez más lenta, porque cuadruplicar la muestra apenas reduce el error a la mitad.

¿Qué es mejor, un método paramétrico o uno no paramétrico? Depende de cuánto se sepa de los datos. Si la forma supuesta es razonable, el paramétrico aprovecha mejor cada dato y da intervalos más estrechos [8]. Si suponer mal tiene un costo alto, como en la resistencia de un parabrisas, el no paramétrico es más prudente, aunque pida más datos para la misma precisión [7].

¿Se puede hacer estadística inferencial en Excel o en Python? Sí. Un intervalo para una proporción solo exige raíces cuadradas y multiplicaciones, como muestra el código de esta guía con la biblioteca estándar de Python [10]. Para análisis más largos conviene programar: la guía de Python para análisis de datos y la de Excel para análisis de datos explican cada herramienta.

Referencias

Las citas en otro idioma son traducción propia.

1. Departamento Administrativo Nacional de Estadística (DANE), Dirección de Metodología y Producción Estadística. Guía para la interpretación del error muestral en términos del coeficiente de variación e intervalo de confianza estimado. Encuesta de Sacrificio de Ganado (ESAG), enero de 2014 — el coeficiente de variación estimado «indica el grado de precisión con el cual se está reportando un resultado»; «La utilización del c.v.e depende directamente de las condiciones del estudio, por lo cual no hay reglas universales»; criterios: excelente si es menor del 3 %, de buena calidad entre 3 % y 5 %, aceptable entre 5 % y 15 %, de uso restringido si es mayor del 15 % («deben usarse con precaución»); intervalo del 95 % a partir del c.v.e.; ejemplo: sacrificio de vacunos de enero a junio de 2013, estimación 2.020.065 cabezas, c.v.e. 4,2 %, IC 95 % ± 167.058, «con 95% de confianza» entre 1.853.007 y 2.187.123. DANE: guía de interpretación del error muestral de la ESAG — Consultada: 2026-11-07.
2. Departamento Administrativo Nacional de Estadística (DANE). Boletín técnico Encuesta de Sacrificio de Ganado, I trimestre de 2016, 23 de mayo de 2016 — «La ESAG tiene cobertura nacional y cada mes obtiene información de una muestra de 460 establecimientos registrados dedicados al sacrificio de ganado mayor y menor»; desde 2013 el DANE amplió la muestra para estimaciones departamentales de vacunos y porcinos; diseño muestral estratificado con selección aleatoria simple. DANE: boletín técnico ESAG, I trimestre 2016 — Consultada: 2026-11-07.
3. Departamento Administrativo Nacional de Estadística (DANE). Boletín técnico Encuesta de Sacrificio de Ganado (ESAG), II trimestre de 2026, 10 de agosto de 2026 — objetivo: información estadística sobre el sacrificio de ganado mayor y menor; «El DANE en el año 2016 […] actualizó el marco estadístico de la ESAG pasando de ser una muestra probabilística a ser una operación censal»; en el segundo trimestre de 2026, para vacunos, «el porcentaje de cobertura de la ESAG […] fue 99,67%, el porcentaje de no respuesta fue 0,33% y la tasa de imputación fue 0,33%»; ficha metodológica: «Tipo de investigación. Censo»; población objetivo: plantas de beneficio donde se reporta el sacrificio para consumo humano. DANE: boletín técnico ESAG, II trimestre 2026 — Consultada: 2026-11-07.
4. David Diez, Mine Çetinkaya-Rundel y Christopher D. Barr. OpenIntro Statistics, cuarta edición, capítulos «Foundations for inference», «Inference for categorical data» e «Inference for numerical data»; texto leído en los archivos fuente oficiales del libro (carpetas TeX que, según el repositorio, se usan para componer los capítulos) — «Statistical inference is primarily concerned with understanding and quantifying the uncertainty of parameter estimates»; la estimación puntual y el parámetro; la distribución muestral de 10.000 simulaciones, centrada en el parámetro y con forma parecida a la normal; uso de «standard error» en lugar de «standard deviation» para la variabilidad de una estimación; la proporción muestral es «unbiased» cuando los datos son independientes; analogía de la lanza («fishing in a murky lake with a spear») y la red; intervalo del 95 %: «point estimate ± 1.96 × SE»; error estándar de una proporción √(p(1−p)/n) y de un promedio σ/√n; «substitution approximation» o «plug-in principle»; secciones de inferencia para una proporción, dos proporciones, ji cuadrado de bondad de ajuste e independencia, una media con la distribución t, datos pareados, dos medias y ANOVA. OpenIntro: OpenIntro Statistics · OpenIntro: archivos fuente del libro en GitHub — Consultada: 2026-11-07.
5. Philippe Rigollet. 18.650 Statistics for Applications, otoño de 2016, MIT OpenCourseWare, «Chapter 1: Introduction» (diapositivas) — el dado como proceso conocido («This is probability»); «Need to estimate parameters from data. This is statistics»; ejemplo del estudio de Nature (2003) sobre el giro de cabeza al besar: «n = 124, 80 to the right», p̂ = 64,5 %; por la ley de los grandes números, «when the size n of the experiment becomes large, R̄n is a good (say “consistent”) estimator of p». MIT OpenCourseWare: 18.650, curso · MIT OpenCourseWare: 18.650, capítulo 1 — Consultada: 2026-11-07.
6. Philippe Rigollet. 18.650 Statistics for Applications, otoño de 2016, MIT OpenCourseWare, «Chapter 2: Parametric Inference» (diapositivas) — ejemplo del número de hermanos (incluido uno mismo) de estudiantes universitarios: sin supuestos, «That’s 7 parameters to learn»; suponiendo Poisson, «That’s 1 parameter to learn!»; el modelo es paramétrico cuando el conjunto de parámetros está en ℝᵈ; «Estimator of θ: Any statistic whose expression does not depend on θ»; definición de estimador consistente, sesgo y riesgo cuadrático: «Quadratic risk = bias² + variance». MIT OpenCourseWare: 18.650, capítulo 2 — Consultada: 2026-11-07.
7. National Institute of Standards and Technology (NIST) y SEMATECH. NIST/SEMATECH e-Handbook of Statistical Methods, capítulo 7 — §7.1.2: las pruebas del capítulo dependen del supuesto de normalidad, «the data should be examined for departures from normality before the tests are applied», y son robustas a desviaciones pequeñas «as long as the data are bell-shaped and the tails are not heavy»; §7.1.4: los intervalos «would bracket the true population parameter in approximately 95 % of the cases»; §7.2.6.4: hay métodos para lograr la cobertura buscada sin conocer la forma de la distribución, «but these methods may produce substantially wider tolerance intervals»; ejemplo del vidrio de parabrisas de avión; confianza del intervalo entre la menor y la mayor de N = 25 mediciones: 0,993 para cobertura 0,75; 0,729 para 0,90; 0,358 para 0,95. NIST: §7.1.2 supuestos · NIST: §7.1.4 intervalos de confianza · NIST: §7.2.6.4 intervalos de tolerancia sin supuesto de forma — Consultada: 2026-11-07.
8. National Institute of Standards and Technology (NIST) y SEMATECH. NIST/SEMATECH e-Handbook of Statistical Methods, capítulo 1 — §1.3.5.1: «The mean is an example of an estimator that is the best we can do if the underlying distribution is normal. However, it lacks robustness of validity»; la mediana «tends to have robustness of validity but not robustness of efficiency»; §1.3.6.5.2: los estimadores de máxima verosimilitud «become minimum variance unbiased estimators as the sample size increases»; insesgado significa que el promedio de las estimaciones sobre muchísimas muestras es igual al valor de la población; varianza mínima significa «the smallest variance, and thus the narrowest confidence interval, of all estimators of that type». NIST: §1.3.5.1 medidas de ubicación · NIST: §1.3.6.5.2 máxima verosimilitud — Consultada: 2026-11-07.
9. Onur Güntürkün. Adult persistence of head-turning asymmetry, Nature, vol. 421, febrero de 2003 — «Here I show that twice as many adults turn their heads to the right as to the left when kissing». DOI 10.1038/421711a — Consultada: 2026-11-07.
10. Python Software Foundation. math — Mathematical functions, documentación de Python 3.11 — «math.sqrt(x): Return the square root of x». Python 3.11: módulo math — Consultada: 2026-11-07.

Cómo investigamos esta página

• Pregunta que responde: Cómo pasa la estadística de una muestra a toda la población y cómo se mide cuánto puede fallar esa conclusión.
• Fuentes: identificadas 14 → incluidas 10
• Criterios de inclusión: documentos oficiales del DANE, un libro de texto abierto, un curso abierto del MIT, el manual de estadística del NIST y documentación oficial; nada de enciclopedias ni sitios de tutoriales.
• Fecha de corte de los datos: 2026-11-07