🔰 La Población y la Muestra

Toda teoría de muestreo empieza con una decisión silenciosa, pero radical:

⚜️ No vamos a estudiar “la realidad en general”.
Vamos a estudiar un conjunto concreto de unidades.

Ese conjunto es la población.

---

🏵 1. El marco de partida

En teoría de muestreo, la población no es una idea vaga ni una masa infinita de datos posibles.

Es un conjunto finito, delimitado, y formado por unidades identificables.

Se suele representar como:

$$ U = {1,2,3,\dots,N} $$

donde:

• $U$ es la población,
• $N$ es el número total de unidades,
• y cada etiqueta $1,2,\dots,N$ identifica una unidad concreta.

⚜️ Aquí no hablamos todavía de probabilidad.
Primero hablamos de estructura.

La población existe antes de muestrear.
Está ahí, completa, aunque no la observemos entera.

---

⚙️ 2. Los valores poblacionales son fijos

A cada unidad de la población le asociamos un valor de interés:

$$ (y_1, y_2, \dots, y_N) $$

Estos valores pueden representar:

• ingresos,
• alturas,
• número de hijos,
• gasto mensual,
• satisfacción,
• o cualquier otra variable medida.

💡 La idea importante aquí es esta:

⚜️ Los valores poblacionales no son aleatorios.
Son fijos pero desconocidos.

Esto distingue la teoría clásica del muestreo de otros enfoques estadísticos.

☯ Contraste importante

En mucha estadística clásica, se imagina que los datos vienen de un proceso generador aleatorio, como si cada observación fuese una realización de una variable aleatoria.

Aquí, en cambio, el objeto central es distinto:

• la población ya existe,
• sus valores ya están fijados,
• lo único aleatorio es qué parte de ella observamos.

🏵 La aleatoriedad no está en los valores.
Está en el diseño de la muestra.

---

🔰 3. ¿Qué es una muestra?

Una muestra es un subconjunto de la población.

Si seleccionamos $n$ unidades de entre las $N$ disponibles, obtenemos una muestra $s$ de tamaño $n$:

$$ s \subseteq U, \qquad |s| = n $$

La muestra no es “otra población pequeña”.
Es una parte observada de la población original.

Su función es permitirnos inferir propiedades del conjunto completo sin tener que observarlo entero.

---

🏵 4. Población y muestra: la tensión central

Aquí aparece la pregunta fundamental del muestreo:

⚠️ ¿Hasta qué punto una parte puede hablar por el todo?

Toda la teoría de muestreo intenta responder esto con rigor.

Queremos usar la muestra para estimar cantidades como:

• la media poblacional,
• el total poblacional,
• la varianza poblacional,
• o proporciones y otros parámetros de interés.

Pero esos parámetros pertenecen a la población completa, no a la muestra.

La muestra solo es el instrumento.

---

⚙️ 5. Dos tipos de muestra: ordenada y no ordenada

Aquí aparece una distinción técnica muy importante.

No toda muestra se entiende de la misma forma.

5.1. Muestras ordenadas

🔁 Con reemplazamiento

En este caso, una unidad puede aparecer más de una vez.

La muestra se interpreta como una secuencia ordenada de selecciones:

$$ (i_1, i_2, \dots, i_n) $$

donde cada posición importa.

Por ejemplo:

$$ (3,5,3,8) $$

no es lo mismo que:

$$ (5,3,3,8) $$

ni que:

$$ (3,5,8) $$

porque:

• el orden importa,
• y una misma unidad puede repetirse.

⚠️ Esto ocurre cuando muestreamos con reemplazamiento:
después de seleccionar una unidad, puede volver a entrar en el proceso y ser elegida otra vez.

---

5.2. Muestras no ordenadas

🚫 Sin reemplazamiento

Aquí cada unidad solo puede aparecer una vez.

La muestra se interpreta como un subconjunto:

$$ s = {i_1, i_2, \dots, i_n} $$

donde:

• el orden ya no importa,
• y no hay repeticiones.

Por ejemplo:

$$ {3,5,8} $$

es la misma muestra independientemente del orden en que esas unidades hayan sido seleccionadas.

⚜️ Esta es la idea más habitual cuando hablamos de muestreo en poblaciones finitas.

---

☯ 6. ¿Por qué importa tanto esta diferencia?

Porque cambia la estructura matemática del problema.

No es lo mismo pensar la muestra como:

• una lista de extracciones, o
• un conjunto final de unidades observadas.

Esa diferencia afecta a:

• el número de muestras posibles,
• la probabilidad de seleccionar una muestra,
• la definición del diseño muestral,
• y las fórmulas de estimación y varianza.

🏵 El muestreo no es solo “elegir casos”.
Es definir con precisión qué cuenta como muestra.

---

🔰 7. Lo fijo y lo aleatorio

En este marco conviene separar dos mundos:

⚜️ Mundo fijo

• la población $U$,
• su tamaño $N$,
• y los valores $(y_1,\dots,y_N)$.

🎲 Mundo aleatorio

• la muestra seleccionada $s$,
• o el mecanismo que la genera.

Esta separación es fundamental.

Muchas veces se confunde y se piensa que los $y_i$ “fluctúan”.
En teoría clásica del muestreo, no:

⚠️ Lo que cambia de una repetición del experimento no es la población.
Lo que cambia es qué unidades entran en la muestra.

---

⚙️ 8. La idea profunda

Podemos decirlo de forma muy simple:

• la población es el todo fijo que queremos conocer,
• la muestra es la parte que logramos observar,
• y la inferencia es el puente entre ambas.

Eso convierte al muestreo en una disciplina curiosa:

⚜️ No estudia directamente la población.
Estudia cómo mirar solo una parte, sin traicionar al todo.

---

🪄 9. Resumen estructural

Concepto	Idea central
Población $U$	Conjunto finito de $N$ unidades
Valores poblacionales $(y_1,\dots,y_N)$	Fijos, no aleatorios
Muestra $s$	Subconjunto observado de la población
Con reemplazamiento	Puede haber repeticiones; la muestra se piensa como secuencia ordenada
Sin reemplazamiento	No hay repeticiones; la muestra se piensa como subconjunto
Fuente de aleatoriedad	El diseño de selección, no los valores poblacionales

---

☯ Conclusión

La teoría de muestras empieza cuando dejamos de preguntar:

“¿Qué datos salieron?”

y empezamos a preguntar:

“¿De qué conjunto salieron, y bajo qué regla fueron elegidos?”

Esa es la verdadera base de la inferencia muestral.

Porque antes de estimar una media, una proporción o una varianza, hay que fijar algo más elemental:

🏵 qué es la población,
🏵 qué es una muestra,
🏵 y qué parte del problema pertenece a la realidad…
y cuál pertenece al azar.