Inference from a Random Sample
Aligned to S-IC.A.1 — Common Core State Standards for Mathematics.
What this lesson teaches
Statistics uses data from a random sample to make inferences about a whole population. A number describing the sample is a statistic; the true population value it estimates is a parameter. A random sample keeps the estimate unbiased.
Worked examples
Example 1
A random sample of 200 voters finds 55% favor a measure. The 55% is a sample statistic. We infer the population parameter — the true percent of all voters — is near 55%, though the exact value has some uncertainty from sampling.
Example 2
A school wants to estimate average nightly homework time. Sampling only the students in an advanced calculus class gives a biased estimate — that group is not representative of the school. A random sample drawn from the full student roster, where every student has an equal chance of selection, is what licenses generalizing the result back to the whole school.
Example 3
Common mistake: believing a huge sample fixes a bad sampling method. A voluntary online poll with 50,000 responses is less trustworthy than a genuine random sample of 500, because the people who choose to answer differ systematically from those who do not — and a larger biased sample just measures the bias more precisely. Randomness, not size, is what removes bias; size only shrinks the margin of error.
Practice questions
- Identify the statistic and the parameter: 60% of 500 sampled adults exercise weekly.
- Why must the sample be random for a valid inference?
- Explain why a sample statistic may differ from the population parameter.
Watch the lesson
Every lesson comes with a video taught in English and Spanish — the same video the QR code in the printed workbook opens.
▶ Watch this lessonEn español
Inferencia a partir de una Muestra Aleatoria
La estadística usa datos de una muestra aleatoria para hacer inferencias sobre toda una población. Un número que describe la muestra es un estadístico; el valor verdadero de la población que estima es un parámetro. Una muestra aleatoria mantiene la estimación sin sesgo.
Ejemplo 1: Una muestra aleatoria de 200 votantes encuentra que el 55% favorece una medida. El 55% es un estadístico muestral. Inferimos que el parámetro poblacional — el porcentaje real de todos los votantes — está cerca del 55%, aunque el valor exacto tiene cierta incertidumbre por el muestreo.
Ejemplo 2: Una escuela quiere estimar el tiempo promedio de tarea por noche. Encuestar solo a los estudiantes de una clase avanzada de cálculo da una estimación sesgada — ese grupo no representa a la escuela. Una muestra aleatoria tomada de la lista completa de estudiantes, donde cada uno tiene la misma probabilidad de ser elegido, es lo que autoriza a generalizar el resultado a toda la escuela.
Ejemplo 3: Error común: creer que una muestra enorme arregla un mal método de muestreo. Una encuesta voluntaria en línea con 50,000 respuestas es menos confiable que una muestra aleatoria real de 500, porque quienes deciden responder difieren sistemáticamente de quienes no lo hacen — y una muestra sesgada más grande solo mide el sesgo con más precisión. La aleatoriedad, no el tamaño, es lo que elimina el sesgo; el tamaño solo reduce el margen de error.
More Statistics & Probability lessons
Teach this lesson today
An AI tutor that guides with questions instead of just giving answers — all K–12 core subjects, every child in the family.
Start free — no card required