Lectura 1-Inferencia Estadística

MDULO 1
INFERENCIA ESTADSTICA
Bibliografa bsica:
Berenson y Levine (1996) Estadstica para Administracin y Economa. 6. Ed.
Prentice Hall Hispanoamericana. Madrid.
Captulos: 9, 10 (Apartados 10.1, 10.2, 10.3, 10.4, 10.5, 10.6)
1.1.
ESTIMACIN
La mayora de las aplicaciones actuales de la Estadstica se relacionan con la

obtencin de conclusiones referidas a la poblacin, a partir de la evidencia recogida en
una muestra correspondiente a una pequea porcin de casos, en situaciones
prcticas como las siguientes:
Analizar la evolucin del total de desempleados en las grandes ciudades de un

pas.
Medir el gasto promedio de las familias en cierto rubro de inters.
Cuantificar la variabilidad de un producto surgido de cierto proceso industrial
estandarizado.
Conocer el porcentaje de votantes que prefieren a cierto candidato con
anterioridad a una eleccin.
Las tcnicas correspondientes a la Inferencia estadstica permiten dar respuesta a

estos interrogantes, utilizando slo una pequea porcin de casos de la poblacin de
inters. Para los objetivos de informacin propuestos previamente como ejemplos,
podran tomarse muestras de las poblaciones:
Seleccionando individuos residentes en las ciudades de inters y registrando

su estado ocupacional.
Obteniendo por muestreo un conjunto de familias, y consultndolas sobre el
gasto en ese rubro.
Estudiando por muestreo la caracterstica de anlisis de un grupo de productos
elaborados en tal sistema.
Indagando a un conjunto representativo de votantes del lugar en cuestin.
Como primer paso en este estudio de la Estadstica inferencial, nos detendremos en

este mdulo en las diferentes tcnicas que permiten dar considerado plausible acerca
de un valor de un parmetro poblacional de inters (tales como la media poblacional,
Materia: Herramientas Matemticas V Estadstica II

Profesora: Vernica Herrero
-1-
la varianza poblacional, la proporcin poblacional, o las diferentes entre medias o entre

proporciones).
1.1.1. Parmetros y estadgrafos

En primer lugar, recordemos la diferencia entre Parmetro y Estadgrafo.
Los parmetros son las medidas de resumen poblacionales que permiten describir el
conjunto de datos analizados. Ejemplos de parmetros son la media poblacional, la
varianza poblacional, etc.
Los estadgrafos son las medidas anlogas obtenidas a partir de datos muestrales.
Este tipo de medida incluye a la media muestral, la varianza muestral, la proporcin
muestral, entre otras. Estos valores, tambin conocidos como estimadores, se utilizan
para proporcionar una idea del valor de la medida poblacional correspondiente, pero
considerando slo datos muestrales.
1.1.1.1.
Estimadores: caractersticas de un buen estimador
Comenzaremos estudiando la media muestral, el estimador natural de la media

poblacional, que es la medida de tendencia central ms utilizada. La medida a su vez,
es la medida ms adecuada para describir un conjunto de datos que se distribuye
siguiendo el modelo normal.
Las tres propiedades que nos interesa destacar de la media muestral como estimador
de la media poblacional son:
1. Imparcialidad (insesgada)
2. Eficiencia
3. Consistencia
Imparcialidad
Decimos que un estimador es imparcial o insesgado cuando su valor esperado
coincide con el parmetro poblacional que estima.
En el caso de la media muestral, esta propiedad se demuestra muy fcilmente con
unos pocos pasos algebraicos:
Partiendo de la frmula de clculo de la media muestral, estudiada en la materia
anterior de Estadstica:
n
x
i 1

-2-
La esperanza o valor esperado de la media muestral es:
n
xi
E ( x ) E i 1
n
Como la esperanza de una constante es la constante, resulta:
n
E xi
E ( x ) i 1
n
Como la esperanza de una suma es igual a la suma de las esperanzas:
E ( x i )
E ( x ) i 1
n
Y como sabemos que la esperanza de la variable estudiada es :
E( x)
n.
n
Simplificando resulta:
E (x )
Eficiencia
Un estimador es eficiente si en promedio se acerca ms al parmetro estimado que
cualquier otro estimador.
La media muestral cumple este requisito para la media poblacional, ya que tiene la
mnima varianza entre los estimadores de la media poblacional.
Consistencia
Decimos que un estimador es consistente si a medida que se aumenta el tamao de la
muestra, el estimador se aproxima sistemticamente al valor del parmetro
poblacional.

-3-
Al aumentar el tamao de la muestra, cada vez, las diferencias entre la media muestral
y la media poblacional se van haciendo ms reducidas.
El cumplimiento de estas propiedades hace de la media muestral el mejor estimador
de la media poblacional.
Error estndar de la media

Es intuitivamente fcil de visualizar que a medida que mayor es la muestra (es decir,
ms elementos de la poblacin se incluyen para estimar la media muestral), menor
ser la dispersin de los valores respecto de la media muestra, ya que el efecto de un
valor extremo tiende a diluirse a medida que ms elementos se toman en
consideracin para el clculo.
Por tal motivo, la desviacin estndar de la media muestral, conocido como error
estndar de la media, se relaciona de la siguiente manera con la desviacin estndar
poblacional:
x
n
Como puede observarse, la frmula anterior refleja la relacin indicada entre la

dispersin de la muestra y el tamao muestral.
Distribucin en el muestreo de la proporcin

Para las variables categricas, en las cuales es registra la posesin o no de una
caracterstica, el parmetro poblacional de inters es la proporcin, que indica
justamente qu parte de la poblacin posee una caracterstica.
Por ejemplo, si en una poblacin de 10.000 individuos, 2400 tiene ojos claros, decimos
que
X
N
2400
10000
es la proporcin de individuos con ojos claros en la poblacin.

-4-
Donde X es la cantidad de casos de la poblacin que tienen la caracterstica,

conocidos habitualmente como xitos. N es el tamao de la poblacin.
El estimador de P ser p, la proporcin muestral. Para obtener p:
x
n
Donde x es la cantidad de xitos en la muestra, y n es el tamao de la muestra.

Como puede observarse la proporcin se ubica en el intervalo [0,1], siendo los
extremos del intervalo las situaciones extremas en las que ningn individuo posee la
caracterstica o bien, cuando la poseen todos. Estos dos casos extremos son los que
implican la menor dispersin entre los individuos (ya que por tener o por no tener la
caracterstica, los individuos se parecen), y en cambio, la mayor dispersin ocurre en
los valores intermedios (cuando p=0,5), ya que es mxima la cantidad de individuos
que difieren de p.
P(1 P)
n
La distribucin muestral de la proporcin sigue una distribucin binomial, que puede

aproximarse a la normal cuando se cumplen las siguientes condiciones:
np 5
y
n(1 p) 5
Estas condiciones implican requerimientos de muestras de tamao considerables para
las estimaciones de proporciones.
Muestreo de poblaciones finitas

Cuando se selecciona una muestra, debe establecerse con precisin cul fue el
mecanismo con el que se procedi a escoger a los elementos que componen la
muestra.
El diseo bsico que se encuentra implcito en muchos de los desarrollos estadsticos
supone que los elementos fueron seleccionados con reemplazo. Esto implica que
una vez que se seleccion un individuo o elemento, ste vuelve a formar parte de los

-5-
casos seleccionables, por lo que la probabilidad de seleccin de los distintos casos no

cambia a medida que se va construyendo la muestra.
En diversas situaciones de aplicacin de muestreo esto no ocurre de tal manera por
diferentes razones. Por ejemplo, cuando realizamos una encuesta para un estudio de
mercado, no tiene demasiado sentido encuestar dos veces al mismo individuo en un
estudio; incluso en ocasiones, como las aplicaciones para control de calidad, pueden
implicar la destruccin del caso seleccionado en la muestra, tal como cuando se
analiza la duracin de una pieza, por lo que difcilmente en tales casos usemos un
muestreo con reposicin.
En todas estas situaciones debemos introducir una correccin a las frmulas que
ajuste la diferente probabilidad de seleccin que tienen los sucesivos casos que
integran la muestra.
Esta correccin se conoce como factor de correccin para poblaciones finitas (fcpf) y
se obtiene a travs del siguiente cociente:
N n
N 1
fcpf
Con esta frmula se ajusta tanto el error estndar de la media muestral:
x
n
N n
N 1
como el error estndar de la proporcin muestral:
P(1 P) N n
n
N 1
El fcpf siempre ser menor que 1, lo cual implica que en este tipo de muestreo, las
estimaciones surgidas de este tipo de muestreo resultan ms exactas, o lo que es lo
mismo tienen menos dispersin en el muestreo.
Preguntas de reflexin:
Por qu usamos los estimadores habituales para estimar la media poblacional

o la proporcin poblacional?
Cmo se comporta el error estndar si tomamos muestras ms grandes?
Qu debe verificarse para que la proporcin muestral se distribuya normal?
Qu implicancias tiene para la muestra?
Por qu se usa el fcpf? Cmo afecta al error estndar?

-6-
1.1.1.2.
Estimacin puntual y por intervalos
Hasta ahora hemos visualizado el proceso de estimacin simplemente como el acto de

proporcionar un valor nico que sirva como referencia indicativa del valor que
suponemos que alcanza el parmetro poblacional de inters. En definitiva, como se
indica en Berenson y Levine (texto bsico de la materia, p. 344):
La estimacin puntual consiste en una sola estadstica de muestra que
se utiliza para estimar el valor verdadero del parmetro de la poblacin.
Tabla: Estimadores puntuales

Parmetros
Estimadores puntuales ms usuales
Media poblacional
Media muestral
Proporcin poblacional
Proporcin muestral
Varianza poblacional
Varianza muestral
Sin embargo, con este procedimiento no estamos aprovechando realmente la

potencialidad de conocer con qu probabilidad de acertar hacemos nuestra afirmacin.
Debemos considerar la variabilidad posible que es propia de un estimador, ya que el
valor de ste depender de la muestra que haya sido seleccionada.
Para tener en cuenta esta caracterstica, la estimacin por intervalos considera
justamente las distribuciones en el muestreo de los respectivos estimadores.
Cuando obtengamos un intervalo, estaremos considerando una determinada confianza
de estimar acertadamente el parmetro.
En definitiva, vamos a poder decir, a travs del intervalo, con una confianza
establecida por el investigador (por ejemplo para la estimacin de la media
poblacional) que un intervalo a partir de la estimacin puntual ms / menos un cierto
margen de error o error de muestreo, atrapa al verdadero valor del parmetro.
Los intervalos en este caso tendrn la siguiente estructura:
x margen de error

-7-
Estimacin por intervalo de la media

Caso: Desviacin estndar conocida
Por el Teorema del lmite central (que Ud. conoce por la materia previa, pero
recordaremos ms adelante en el mdulo), sabemos que es posible determinar qu
porcentaje de las medias muestrales se ubican a determinada distancia de la media de
la poblacin, teniendo en cuenta la distribucin de la medias muestrales.
Si bien tenemos en cuenta ese razonamiento, permanentemente en las diferentes
investigaciones que llevemos a cabo, tomaremos una nica muestra, a partir de la cual
haremos la estimacin, considerando lo que probabilsticamente podemos deducir de
la distribucin de muestreo de la media.
La idea de este tipo de estimacin es considerar que la muestra que fue seleccionada
nos proporciona una de las medias muestrales posibles, que con una probabilidad 1-a,
se encuentra a una distancia de
Z
1
x
n
con respecto del valor de la media poblacional.

Donde, Z
ese valor 1
es el valor de la tabla estandarizada normal, que tiene acumulado hasta
de probabilidad. Este valor se denomina valor crtico de la distribucin.
Algunos de los valores crticos ms usados, correspondientes a los niveles de

confianza (1-) usuales, son:
(1-
95%
1,96
99%
2,575
90%
1,645
Por lo tanto, a travs de la construccin de un intervalo de confianza, con un nivel de

confianza de 1-, podemos decir que la media poblacional es atrapada por el intervalo:
LI , LS x Z1
x
n
;x Z

-8-
Donde LI = lmite inferior y LS= lmite superior.

Si se tomaran todas las muestras posibles de tamao n de la poblacin bajo estudio,
en el (1-)% de los intervalos surgidos de tales estimaciones de la media poblacional,
la media poblacional (que es fija aunque desconocida para nosotros) quedara incluida
en tales intervalos. Como destacamos antes, ya que en cualquier estimacin
trabajaremos con una muestra al azar, podemos decir que la probabilidad de que se
cumpla la condicin detallada es (1-).
Veamos un ejemplo:
Deseamos estimar la altura promedio de una poblacin de estudiantes varones
de esta Universidad.
Utilizaremos para ello una muestra aleatoria de 10 estudiantes. Los valores
obtenidos de la medicin de la altura son:
Caso
1
2
3
4
5
6
7
8
9
10
Altura (en cm.)

162
176
169
165
171
172
169
168
175
167
De un estudio previo se conoce que la varianza de esta poblacin es 16 cm2.

Cmo podemos estimar la altura promedio?
En primer lugar veamos una estimacin puntual de la media, que va a estar
dada por la media muestral.
n
x
i 1
x 169,4 cm
Para obtener el intervalo de confianza suponemos que la variable aleatoria se
distribuye normal, y calculamos cada uno de los valores que indicamos.
Trabajaremos con un 1-=0,95.

-9-
1,96
x 4
n 10
Por lo tanto, el intervalo que surge ser:
LI , LS 166,920; 171,879
Y podemos expresar la conclusin: Con un nivel de confianza del 95%, la altura

promedio de los varones de la poblacin de estudiantes de la Universidad es
atrapada por el intervalo [166,92 cm; 171,88 cm].
Como puede analizarse a partir del ejemplo, el intervalo que surge depende de la
muestra que ha sido seleccionada, en el caso de haber elegido a otros estudiantes y
no a esos, el resultado de la media muestra podra haber sido distinto, y en
consecuencias tambin el intervalo obtenido.
Estimacin por intervalo de la media

Caso: Desviacin estndar desconocida
En general, cuando no se dispone de informacin referida a la media poblacional,
tampoco resulta conocido el valor de la varianza poblacional.
Si tal es la situacin, no podemos aplicar la distribucin normal para la estimacin por
intervalos de la media poblacional.
Para solucionar esta situacin, se aplica la distribucin t, que presentaremos, para
calcular el intervalo de confianza.
Distribucin t de Student1
La nota que se indica est basada en:

http://www.matematicasvisuales.com/html/probabilidad/varaleat/tstudent.html. En este sitio se
pueden realizar visualizaciones de las diferentes distribuciones que estudiaremos en este
mdulo, simplemente ajustando los parmetros de las mismas. En la pgina
http://www.matematicasvisuales.com/html/probabilidad/varaleat/tstudentprob.html pueden
calcularse y compararse las respectivas probabilidades de la tabla normal y la tabla t de
Student.

- 10 -
La distribucin t de Student fue estudiada por William Gosset (1876-1937) quien se

ocupaba de tareas de control de calidad en la fbrica de cervezas Guiness, en Irlanda.
Figura: Comparacin de la distribucin t y la normal estndar para diferentes grados
de libertad:
Distribucin t con 2 grados de
libertad
Grfico de la distribucin
normal: lnea roja
Grfico de la distribucin t:
azul
Distribucin t con 5 grados de

libertad
Distribucin t con 15 grados

de libertad
Distribucin t con 30 grados

de libertad
Observar cmo prcticamente
no hay diferencia entre ambas
distribuciones.

- 11 -
Fuente:
Elaboracin
propia
en
base
a
herramienta
de
simulacin
provista
por:
http://www.geogebra.org/en/upload/files/Juan%20de%20Jesus%20Sandoval/la_distribucion_normal_t_student.html
Desarroll trabajos acerca de esta distribucin que le permitiera analizar muestras

pequeas. Debido a ciertas restricciones que le impona la fbrica, no pudo publicar
sus trabajos con su nombre y us el seudnimo de Student, dado que consider que
su aporte podra servir a otros.
La distribucin t, en realidad est conformada por una familia de variables aleatorias
continuas. Esta familia se diferencia entre s de acuerdo con un parmetro que sec
denomina "grados de libertad".
La distribucin t es similar a la distribucin normal estndar: tiene forma de campana,
su media es 0 y es simtrica. Su varianza es mayor que 1. Cuanto ms grados de
libertad posee, ms cercana a 1 es la varianza y ms se aproxima la distribucin t de
Student a la normal estndar. Si trabajamos con ms de 30 grados de libertad, se
considera despreciable la diferencia entre la t de Student y la normal estndar.
Para buscar valores de t en la tabla se procede de manera similar a la correspondiente
a la bsqueda en la tabla normal estndar. En este caso debern considerarse los
grados de libertad (indicados en las filas de las tablas).
Por ejemplo, si queremos buscar el t (con 25 grados de libertad) que acumula 0,90 de
probabilidad hasta ese valor, en primer lugar ubicamos la fila que corresponde a esos
grados de libertad.
Como la tabla que presentamos en este caso seala las probabilidades a la derecha
del valor respectivo, se debe seleccionar el valor de t asociado con una probabilidad a
la derecha de 0,10.
A continuacin recuadramos el valor de t buscado.

- 12 -
En otras ocasiones, como ya han aprendido para la distribucin normal, queremos

conocer cul es la probabilidad acumulada hasta determinado valor de la variable
aleatoria.
Podemos querer saber qu probabilidad hay de que una variable t, con 17 grados de
libertad sea menor o igual a 2,1098. Nuevamente, buscamos en la tabla la fila
correspondiente a los grados de libertad que nos interesan. Luego, entre los valores
de la fila, identificamos el valor que nos interesa.
En este caso, la columna donde se ubica el 2,1098 nos seala que la probabilidad de
obtener un nmero mayor a ese valor de t es 0,025. Por lo tanto, la probabilidad
acumulada hasta ese nmero ser su complemento: 1 0,025 = 0,975.

- 13 -
Fuente: Anderson, David y Sweeney, (2008) Dennis J. Estadstica para administracin y

economa. 10 edicin. Cengage Learning. Mxico. Extracto de la tabla t.
Para los diversos problemas en los cuales es requieren valores de t o probabilidades

asociadas con valores de la variable t se pueden utilizar las tablas que indicamos a
continuacin.
Existen diversas tablas publicadas. La nica recomendacin importante para el uso es
considerar cuidadosamente qu probabilidad estn informando, y hacer uso de la
propiedad de simetra de la distribucin t (que se debe aplicar de manera anloga a la
de la distribucin normal, ya conocida del curso anterior).

- 14 -
Figura: Valores de la Tabla t (segn la probabilidad de la cola superior)

- 15 -
Figura: Valores de la Tabla t (segn la probabilidad de la cola superior) Continuacin
Fuente: Anderson, David y Sweeney, Dennis J. (2008) Estadstica para administracin y

economa. 10 edicin. Cengage Learning. Mxico.
Las distribuciones t de Student son parecidas a la normal. Se pueden utilizar para

hacer estimaciones de la media cuando se desconoce la varianza (situacin que de
ms est decirlo es la habitual) y se usan muestras pequeas.

- 16 -
Los intervalos as obtenidos son, no podra ser de otra manera, ms grandes y menos
precisos que los que se obtendran si conocemos la varianza en una distribucin
normal.
Si la variable aleatoria X es normal, el estadstico:
x
s
n
Se distribuye t con n-1 grados de libertad.
Para buscar valores de probabilidad o de la variable aleatoria en la tabla t, se deben

considerar los grados de libertad de la variable que se est analizando.
Grados de libertad
La idea de grados de libertad remite a la cantidad de valores de una muestra que
podran asumir cualquier valor. Si nosotros conocemos o calculamos en funcin de
tales datos un estadstico, podemos perder grados de libertad o valores que pueden
variar, del total de datos disponibles de la muestra. El Diccionario de metodologa
estadstica (Gonzalo Gonzalvo Maynar, 1978, Morata Ed., Madrid) indica que cuando
un estadstico se usa en la estimacin de un parmetro poblacional, los grados de
libertad dependen de las restricciones impuestas sobre las observaciones: cada
restriccin hace perder un grado de libertad.
Estimacin del intervalo de confianza
El intervalo de confianza para la media se construir segn el siguiente esquema:
Nivel de confianza: (1-)%
Lmites del intervalo:
Inferior:
x t
1 ;n 1
2
Superior:
x t
1 ;n 1
2

- 17 -
Veamos un ejemplo:
Repitamos el ejercicio vinculado con la altura promedio de una poblacin de
estudiantes varones de esta Universidad, pero ahora suponiendo que no
conocemos la varianza poblacional.
Supongamos que estimamos con los datos de la muestra la varianza muestral,
s2 = 16,16 cm2.
Trabajaremos con un 1-=0,95.
x 169,4 cm
29;1
2,0452
s 4,02
n 10
Por lo tanto, el intervalo que surge ser:
LI , LS 166,8; 171,99
La conclusin en este caso ser: Con un nivel de confianza del 95%, la altura
promedio de los varones de la poblacin de estudiantes de la Universidad es
atrapada por el intervalo [166,8 cm; 171,99 cm].
Si comparamos el resultado con el caso de varianza conocida (a pesar de la
pequea diferencia de varianzas implicadas), el intervalo que surge de
considerar que no conocemos la varianza implica un intervalo ms amplio
(menos preciso), lo cual est asociado con un mayor margen de seguridad
debido a que no conocemos el verdadero valor de la varianza.

- 18 -
Estimacin por intervalo de la proporcin

En el caso de datos categricos tambin podemos aplicar estimacin por intervalos de
la proporcin poblacional de casos que poseen cierta caracterstica.
Tal como sealamos en el caso de la estimacin puntual, la base de la estimacin va a
estar dada por la proporcin muestral.
La propiedad que permite hacer uso de la distribucin normal en este caso es la
aproximacin de la distribucin binomial a la normal cuando se verifican las
condiciones:
P.n5
y
(1-P).n5
Con esta premisa, los lmites del intervalo van a estar dados por:
LI , LS p Z1
p(1 p)
;pZ
1
n
2
p(1 p)
Donde:
p proporcin muestral
P proporcin poblaciona l
n tamao de la muestra
Z valor crtico de la distribuci n normal
Veamos un ejemplo de estimacin de una proporcin poblacional.

En un estudio de opinin pblica, en el cual se quiere estimar la proporcin de
votantes que elegirn a un candidato, se realiza una encuesta a una muestra
representativa de votantes. El tamao de la muestra es 400 casos.
Tras procesar las encuestas se obtiene que 178 individuos se encuentran seguros en
la eleccin del candidato en cuestin.
Cmo se estima la proporcin de electores que tendr el candidato en la eleccin,
con un nivel de confianza del 99%?
La estimacin puntual que surge de la proporcin muestral es:

- 19 -
178
400
p 0,445
p
Veamos si se cumplen las condiciones para aproximar la distribucin binomial a la

distribucin normal.
n . p = 400 . 0,445
= 178
n (1-p) = 400 . 0,555
= 222
En ambos casos se cumple la condicin.
Ahora procedamos a estimar el intervalo de confianza:
LI , LS p Z1
p(1 p)
;pZ
1
n
2
p(1 p)
El estadstico Z que tiene acumulada una probabilidad de 0,995,
2,576
LI , LS 0,445 2,576
0,445(1 0,445)
0,445(1 0,445)
;0,445 2,576
400
400
LI , LS 0,38;0,51
Como conclusin, podemos decir que con un nivel de confianza del 99%, el intervalo
[0,38; 0,51] atrapa el verdadero valor poblacional de la proporcin de votantes que
tienen decidido votar al candidato.
Observe que, dependiendo de los porcentajes de otros candidatos, esto podra
significar que pierda la eleccin (si obtiene un porcentaje inferior al 50% de los votos,
algn otro candidato puede alcanzar un porcentaje mayoritario) o bien que gane (si
obtiene un valor mayor al 50% de los votos), en ambos casos, con el nivel de
confianza definido que, siendo tan elevado, le permite estar casi seguro de que el
resultado se encuentra en el intervalo estimado.

- 20 -
Resumen de casos de estimacin

La siguiente figura resume los casos presentados de estimacin por intervalos.
Figura:
Fuente: Elaboracin propia
Cundo aplicar cada estadstico?
Como mencionamos, para estimar el intervalo para la media poblacional, se

aplica distribucin normal; en caso de distribucin normal de la variable de
estudio, o en su defecto, si la muestra es superior a 30 casos.
El uso de la distribucin t en la estimacin por intervalos de la media

poblacional es un requisito cuando desconocemos la varianza poblacional, con
distribucin de la variable de estudio normal si la muestra es menor a 30 casos,
y es recomendable, en idnticas condiciones, an cuando la muestra es mayor.
De hecho, los paquetes estadsticos, usan las pruebas t, en los casos en los
que se necesita estimar la varianza.
Para la estimacin de la proporcin poblacional, debe verificarse que tanto

p.n5 y (1-p).n5.

- 21 -
Un resultado fundamental para la Inferencia estadstica:

Si bien este tema fue desarrollado en Estadstica I, es muy importante recordarlo, ya
que es un concepto fundamental para la Inferencia estadstica, del cual se nutren los
contenidos de ste y los siguientes mdulos.
Teorema Central del lmite

Este resultado nos indica que:
Cuando el tamao es suficientemente grande, la distribucin de la variable aleatoria
media muestral puede aproximarse a la distribucin normal. Y esta relacin es vlida,
cualquiera sea la distribucin de los datos de la variable original.
Por ejemplo, si estamos interesados en analizar la media de ingresos en cierta
poblacin, an cuando la distribucin de ingresos en esa poblacin no sea normal, si
tomamos muestras suficientemente grandes, la distribucin en el muestreo de las
medias muestrales de ingresos, tendrn una forma aproximadamente normal.
Analicemos un ejemplo:
Analizamos la supervivencia adulta en una pequea poblacin rural. Uno de los datos
que analizamos es el nmero de hermanos tenidos en promedio.
Consideremos la siguiente tabla que indica el nmero de hermanos tenidos por todos
los residentes.

- 22 -
Tabla: Datos de anlisis

Caso
Nmero de
hermanos
Caso
Nmero de hermanos
26
27
28
29
30
31
32
33
34
10
35
11
36
12
37
13
38
14
39
15
40
16
41
17
42
18
43
19
44
20
45
21
46
22
47
23
48
24
49
25
50
La informacin que proveemos en la tabla anterior corresponde a los 50 residentes

mayores de 40 aos del paraje.
Vamos a analizar qu hubiramos estimado si las muestras hubieran sido de tamaos:
3, 5 y 7 casos. Para ejemplificar, tomamos 10 muestras de cada tamao, de entre
todas las posibles de ese tamao.

- 23 -
Tamao 3
Muestra
Casos seleccionados
24
14
37
49
11
41
48
21
50
30
10
40
48
26
34
11
17
47
40
10
31
47
11
Tamao 5
Muestra
Casos seleccionados
45
21
14
15
33
41
33
16
38
34
49
22
35
17
49
30
17
15
39
21
35
28
11
26
40
24
45
42
31
23
19
19
38
46
50
37
33
31
48
10
34
46
33
46
37

- 24 -
Tamao 7
Muestra
Casos seleccionados
40
41
20
14
17
32
30
50
23
45
21
13
37
30
13
22
17
35
10
25
19
28
17
14
42
28
31
41
27
36
10
14
20
38
36
18
38
48
18
48
35
46
17
23
39
14
33
19
48
10
13
49
20
27
48
34
Ahora, para muestra, calculemos la media muestral:
Muestra
Tamao 3
Valores de los casos de la
muestra seleccionada
Media muestral
4,33
5,67
2,67
4,67
3,33
4,33
10
4,33

- 25 -

Muestra
Tamao 5
Valores de los casos de la muestra
seleccionada
Media muestral
4 4 7 6 2
4,6
3 5 6 1 9
4,8
5 8 4 2 4
4,6
8 3 4 2 6
4,6
4 7 2 4 6
4,6
5 4 3 2 4
3,6
4 2 1 5 4
3,2
4 9 5 3 6
5,6
5 3 1 6 3
3,6
10
5 5 3 5 5
4,6
Muestra
Tamao 7
Valores de los casos de la muestra seleccionada
Media muestral
4,43
4,86
3,57
4,28
4,43
3,71
4 4
6,71
4,14
3,86
10
4,14
Veamos a continuacin cmo se distribuyen las medias muestrales obtenidas en cada

tamao de muestra, a travs de histogramas de frecuencia:
Figura: distribucin de medias muestrales de muestras de tamao 3

- 26 -

- 27 -
A partir de este ejemplo, qu reflexin puede hacer, teniendo en cuenta el Teorema

del Lmite central, vinculada con la media muestral que se analiza de una muestra en
particular (y el tamao de una muestra que se considere), y la probabilidad de
aproximarse lo ms posible al verdadero valor del parmetro poblacional de inters?

- 28 -

Lectura 1-Inferencia Estadística

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Lectura 1-Inferencia Estadística

Uploaded by

Copyright:

Available Formats

MDULO 1

La mayora de las aplicaciones actuales de la Estadstica se relacionan con la

Analizar la evolucin del total de desempleados en las grandes ciudades de un

Las tcnicas correspondientes a la Inferencia estadstica permiten dar respuesta a

Seleccionando individuos residentes en las ciudades de inters y registrando

Como primer paso en este estudio de la Estadstica inferencial, nos detendremos en

Materia: Herramientas Matemticas V Estadstica II

la varianza poblacional, la proporcin poblacional, o las diferentes entre medias o entre

1.1.1. Parmetros y estadgrafos

Estimadores: caractersticas de un buen estimador

Comenzaremos estudiando la media muestral, el estimador natural de la media

Materia: Herramientas Matemticas V Estadstica II

La esperanza o valor esperado de la media muestral es:

Como la esperanza de una constante es la constante, resulta:

Materia: Herramientas Matemticas V Estadstica II

Error estndar de la media

Como puede observarse, la frmula anterior refleja la relacin indicada entre la

Distribucin en el muestreo de la proporcin

es la proporcin de individuos con ojos claros en la poblacin.

Materia: Herramientas Matemticas V Estadstica II

Donde X es la cantidad de casos de la poblacin que tienen la caracterstica,

El estimador de P ser p, la proporcin muestral. Para obtener p:

Donde x es la cantidad de xitos en la muestra, y n es el tamao de la muestra.

La distribucin muestral de la proporcin sigue una distribucin binomial, que puede

Muestreo de poblaciones finitas

Materia: Herramientas Matemticas V Estadstica II

casos seleccionables, por lo que la probabilidad de seleccin de los distintos casos no

Con esta frmula se ajusta tanto el error estndar de la media muestral:

como el error estndar de la proporcin muestral:

Por qu usamos los estimadores habituales para estimar la media poblacional

Materia: Herramientas Matemticas V Estadstica II

Estimacin puntual y por intervalos

Hasta ahora hemos visualizado el proceso de estimacin simplemente como el acto de

Tabla: Estimadores puntuales

Estimadores puntuales ms usuales

Sin embargo, con este procedimiento no estamos aprovechando realmente la

Materia: Herramientas Matemticas V Estadstica II

Estimacin por intervalo de la media

con respecto del valor de la media poblacional.

es el valor de la tabla estandarizada normal, que tiene acumulado hasta

de probabilidad. Este valor se denomina valor crtico de la distribucin.

Algunos de los valores crticos ms usados, correspondientes a los niveles de

Por lo tanto, a travs de la construccin de un intervalo de confianza, con un nivel de

Materia: Herramientas Matemticas V Estadstica II

Donde LI = lmite inferior y LS= lmite superior.

Altura (en cm.)

De un estudio previo se conoce que la varianza de esta poblacin es 16 cm2.

Materia: Herramientas Matemticas V Estadstica II

Y podemos expresar la conclusin: Con un nivel de confianza del 95%, la altura

Estimacin por intervalo de la media

La nota que se indica est basada en:

Materia: Herramientas Matemticas V Estadstica II

La distribucin t de Student fue estudiada por William Gosset (1876-1937) quien se

Distribucin t con 5 grados de

Distribucin t con 15 grados

Distribucin t con 30 grados

Materia: Herramientas Matemticas V Estadstica II

Desarroll trabajos acerca de esta distribucin que le permitiera analizar muestras

Materia: Herramientas Matemticas V Estadstica II

En otras ocasiones, como ya han aprendido para la distribucin normal, queremos

Materia: Herramientas Matemticas V Estadstica II

Fuente: Anderson, David y Sweeney, (2008) Dennis J. Estadstica para administracin y

Para los diversos problemas en los cuales es requieren valores de t o probabilidades

Materia: Herramientas Matemticas V Estadstica II