1.

1
INTRODUCCIN A
LA ESTADSTICA INFERENCIAL
Una introduccin a la Estadstica Inferencial
El arte de obtener con confianza conclusiones sobre el
modo de proceder del fenmeno que se estudia es el
objeto de las diferentes tcnicas existentes de Inferencia
Estadstica. La estadstica inferencial o inductiva
plantea y resuelve el problema de establecer
previsiones y conclusiones generales sobre una
poblacin a partir de los resultados obtenidos de una
muestra. Los modelos estadsticos actan como puente
entre lo observado (muestra) y lo desconocido
(poblacin). Su construccin y estudio estn basados en el clculo de
probabilidades.
Podemos concluir entonces que la Inferencia Estadstica es la metodologa
tendente a hacer descripciones, predicciones, comparaciones y generalizaciones
de una poblacin estadstica a partir de la informacin contenida en una muestra.
Utiliza resultados obtenidos mediante la Estadstica Descriptiva y se apoya
fuertemente en el clculo de probabilidades.

1.2 MUESTREO: INTRODUCCIN AL MUESTREO Y TIPOS

DE MUESTREO
Introduccin
El muestreo estadstico es la herramienta que la Matemtica utiliza para el estudio
de las caractersticas de una poblacin a travs de una determinada parte de la
misma. La muestra de estudio debe ser lo ms pequea posible ya que del hecho
de que una muestra sea ms grande, no se desprende necesariamente que la
informacin sea ms fiable. Adems, la muestra elegida debe serlo por un proceso
aleatorio para que sea lo ms representativa posible.
Trminos usuales en un estudio estadstico
Poblacin: conjunto de todos los individuos que son objeto del estudio.
Muestra: parte de la poblacin en la que miden las caractersticas estudiadas.
Muestreo: proceso seguido para la extraccin de una muestra.

 Encuesta: proceso de obtener informacin de la muestra.

Mtodos de muestreo.
Tipos de Muestreo
1. Muestreo no probabilstico: no se usa el azar, sino el criterio del investigador.
2. Muestreo probabilstico o aleatorio:
2.1. Muestreo aleatorio simple: se asigna un nmero a cada uno de los individuos
de la poblacin, y seguidamente se van eligiendo al azar los componentes de la
muestra. La eleccin de un individuo no debe afectar a la del siguiente, por tanto
debe reemplazarse el n, una vez extrado.
2.2. Muestreo sistemtico: se ordenan previamente los individuos de la
poblacin, despus se elige uno al azar y a continuacin, a intervalos constantes,
se eligen todos los dems hasta completar la muestra.
2.3. Muestreo estratificado: se divide la poblacin total en clases homogneas
(estratos). La muestra se
Escoge aleatoriamente en nmero proporcional al de los componentes de cada
estrato.

1.3 TEOREMA DE LIMITE CENTRAL

Teorema del lmite central. Si X1, X2, ..., Xn son variables aleatorias (discretas o
continuas) independientes ,con idntico modelo de probabilidad, de valor
medio y varianza 2 , entonces la distribucin de la variable

se aproxima a la de una variable normal tipificada N(0,1), mejorndose la calidad

de la aproximacin a medida que n aumenta.
Este resultado prueba que el estadstico o estimador media muestral

Con carcter general, o al menos en los modelos de probabilidad clsicos, se

admite una aproximacin aceptable al modelo normal siempre que n sea mayor o
igual que 30, a pesar de que esta cifra es insuficiente en determinados casos y
excesiva en otros; por lo que debemos ser cautelosos en su aplicacin. En el
enlace modelos de probabilidad , se establece una relacin de algunos modelos,
con aproximaciones particulares, que en la mayora de los casos derivan del
teorema
del
lmite
central.

1.4 DISTRIBUCIONES
MUESTREO

FUNDAMENTALES

PARA

EL

Quienes toman decisiones lo hacen con solo tomar una muestra. Por ejemplo,
considrese un fabricante que desea saber los tiempos que requieren en promedio
los trabajadores para terminar un trabajo dado, o la cantidad promedio de
combustible necesario para enviar un camin a cierta distancia, o la edad
promedio de quienes utilizan un producto, o la porcin de mercado para un
producto, o el porcentaje de unidades defectuosas en un lote de produccin o
sobre la proporcin de personas que ven un determinado programa de televisin.
En todos estos casos el estadstico est interesado en saber algo sobre una
poblacin estadstica. A falta de un censo, el conocimiento deseado sobre
parmetros como la media de la poblacin ( ), la desviacin estndar de la
poblacin ( ) o la proporcin de una poblacin ( ), slo se puede adquirir si se
saca una muestra representativa de la poblacin, se calcula los estadsticos como
la media muestral ( X ), la desviacin estndar (S) o la proporcin muestral (P), y
se hace inferencia sobre los parmetros a partir del ellos. El proceso de inferir los
valores de parmetros desconocidos de una poblacin, a partir del estadstico de
una muestra conocida se denomina estimacin. Para comprender la naturaleza de
una estimacin estadstica es necesario entender bien el concepto de la
distribucin muestral, sta proporciona un enlace importante entre la muestra
individual que por lo general se toma y la poblacin sobre la cual se hace
inferencia. Es importante distinguir entre las caractersticas poblacionales y sus
correspondientes cantidades mustrales, por ejemplo la media ( ), que es un
atributo de la poblacin, es un nmero fijo desconocido. Para hacer inferencia
sobre tal atributo, se extrae una muestra de la poblacin y se calcula la media

muestral. Dado que para cada muestra que se extraiga se obtendr, posiblemente,
un valor diferente de la media, se puede pensar en esta cantidad como una
variable aleatoria con una cierta distribucin de probabilidad. La distribucin de
probabilidad de los posibles resultados mustrales proporcionan una base para
realizar inferencia sobre la poblacin.

1.4.1 DISTRIBUCIN MUESTRAL MEDIA

Si tenemos una muestra aleatoria de una poblacin N(m,s ), se sabe (Teorema del
lmite central) que la fdp de la media muestral es tambin normal con media m y
varianza s2/n. Esto es exacto para poblaciones normales y aproximado (buena
aproximacin con n>30) para poblaciones cualesquiera. Es decir
es el error
tpico, o error estndar de la media.
Cmo
usamos
esto
en
nuestro
problema
de
estimacin?
1 problema: No hay tablas para cualquier normal, slo para la normal m=0 y s=1
(la llamada z); pero haciendo la transformacin (llamada tipificacin)

una normal de media m y desviacin s se transforma en una z.

Llamando za al valor de una variable normal tipificada que deja a su derecha

Teniendo en cuenta la simetra de la normal y manipulando algebraicamente

que tambin se puede escribir

o, haciendo nfasis en que

es el error estndar de la media,

Recurdese que la probabilidad de que m est en este intervalo es 1 - a. A un

intervalo de este tipo se le denomina intervalo de confianza con un nivel de
confianza del 100(1 - a)%, o nivel de significacin de 100a%. El nivel de confianza
habitual es el 95%, en cuyo caso a=0,05 y za /2=1,96. Al valor

se le denomina

estimacin puntual y se dice que es un estimador de m.

Ejemplo: Si de una poblacin normal con varianza 4 se extrae una muestra
aleatoria de tamao 20 en la que se calcula
se puede decir que m tiene
una probabilidad de 0,95 de estar comprendida en el intervalo

que sera el intervalo de confianza al 95% para m

En general esto es poco til, en los casos en que no se conoce m tampoco suele
conocerse s2; en el caso ms realista de s2 desconocida los intervalos de
confianza se construyen con la t de Student (otra fdp continua para la que hay
tablas) en lugar de la z.

o, haciendo nfasis en que

es el error estndar estimado de la media,

Este manera de construir los intervalos de confianza slo es vlido si la variable es

normal. Cuando n es grande (>30) se puede sustituir t por z sin mucho error.

1.4.2 DISTRIBUCIN MUESTRAL DE LA DIFERENCIA DE

LA MEDIA
Suponga que se tienen dos poblaciones distintas, la primera con media 1 y
desviacin estndar
1, y la segunda con media
2 y desviacin estndar
2. Ms an, se elige una muestra aleatoria de tamao n 1 de la primera poblacin y
una muestra independiente aleatoria de tamao n 2 de la segunda poblacin; se
calcula la media muestral para cada muestra y la diferencia entre dichas medias.
La coleccin de todas esas diferencias se llama distribucin muestral de las
diferencias entre medias o la distribucin muestral del estadstico

La distribucin es aproximadamente normal para n1 30 y n2 30. Si las

poblaciones son normales, entonces la distribucin muestral de medias
es normal sin importar los tamaos de las muestras.
En el uso de la distribucin normal para este caso se basa en las mismas
condiciones que para la distribucin muestral de medias, la nica diferencia es que
ahora se analizarn 2 muestras.

x x x
Z
x x
1

x2

1
2
x2
x1
x2

x2

x1

x
2

2
2
2

x2