ESTADSTICA INFERENCIAL

La estadstica inferencial es una parte de la estadstica que comprende los mtodos y

procedimientos que por medio de la induccin determina propiedades de una poblacin
estadstica, a partir de una pequea parte de la misma. La estadstica inferencial comprende
como aspectos importantes:
La toma de muestras o muestreo.
La estimacin de parmetros o variables estadsticas.
El contraste de hiptesis.
El diseo experimental.
La inferencia bayesiana.
Los mtodos no paramtricos
IMPORTANCIA DE INFERENCIA ESTADISTICA
El principal objetivo de la Estadstica es inferir o estimar caractersticas de una poblacin
que no es completamente observable (o no interesa observarla en su totalidad) a travs del
anlisis de una parte de ella a la que llamamos muestra. Las razones por las que
generalmente se trabaja con muestras son principalmente:
- Econmicas.
-Tiempo: si la poblacin es muy grande llevara tanto tiempo analizarla que incluso la
caracterstica de inters podra variar en ese perodo.
- Destruccin: la medicin de cierta caracterstica podra llevar a la destruccin del
individuo. Por ejemplo, al estudiar la supervivencia de ciertos animales a un tratamiento.
Lo que se hace entonces es analizar la muestra y extrapolar conclusiones desde la muestra
la poblacin. Ahora bien, para considerar vlidas en la poblacin las conclusiones obtenidas
en la muestra, sta ha de representar bien a la poblacin (representativa). Por lo tanto, la
eleccin de la muestra es de suma importancia, y para ello hay diversos mtodos (mtodos
de muestreo). Cuando se intuye que la caracterstica en estudio puede presentar valores
homogneos en la poblacin, una forma de obtener una muestra representativa es
eligindola al azar. A este mtodo de seleccin de la muestra se le llama muestreo aleatorio
simple y es el ms sencillo. La Inferencia Estadstica se puede clasificar en inferencia
paramtrica e inferencia no paramtrica. La inferencia paramtrica tiene lugar cuando se
conoce la distribucin de la variable de estudio en la poblacin, y el inters recae sobre los
parmetros desconocidos de la misma. La inferencia no paramtrica tiene lugar si no se
conoce la distribucin y slo se suponen propiedades generales de la misma. Nosotros nos
centramos en la inferencia paramtrica, y nuestro objetivo ser inferir o estimar parmetros
poblacionales a partir de la informacin que nos proporciona una muestra.
PROBABILIDAD
La probabilidad es la medida cuantitativa por medio de la cual se obtiene la frecuencia de
un suceso determinado mediante la realizacin de un experimento aleatorio, del que se
conocen todos los resultados posibles, bajo condiciones suficientemente estables. La teora
de la probabilidad se usa extensamente en reas como la estadstica, la fsica,
la matemtica, las ciencias y la filosofa para sacar conclusiones sobre la probabilidad
discreta de sucesos potenciales y la mecnica subyacente discreta de sistemas complejos.
DISTRIBUCIN NORMAL
En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o
distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que
con ms frecuencia aparece aproximada en fenmenos reales.
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto
de un determinado parmetro estadstico. Esta curva se conoce como campana de Gauss y
es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar numerosos fenmenos
naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte
de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables
incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse
asumiendo que cada observacin se obtiene como la suma de unas pocas causas
independientes.
De hecho, la estadstica es un modelo matemtico que slo permite describir un fenmeno,
sin explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de ah
que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo
correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin
por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la
normal son:
Caracteres morfolgicos de individuos como la estatura;
Caracteres fisiolgicos como el efecto de un frmaco;
Caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de
individuos;
Caracteres psicolgicos como el cociente intelectual;
Nivel de ruido en telecomunicaciones;
Errores cometidos al medir ciertas magnitudes; etc.
La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por
ejemplo, la distribucin muestral de las medias muestrales es aproximadamente normal,
cuando la distribucin de la poblacin de la cual se extrae la muestra no es
normal.
1
Adems, la distribucin normal maximiza la entropa entre todas las distribuciones
con media y varianza conocidas, lo cual la convierte en la eleccin natural de la
distribucin subyacente a una lista de datos resumidos en trminos de media muestral y
varianza. La distribucin normal es la ms extendida en estadstica y muchos test
estadsticos estn basados en una supuesta "normalidad".
En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de
probabilidades continuas y discretas.
DISTRIBUCION DE PROBABILIDADES DISCRETAS
Sigamos con nuestro ejemplo del centro mdico de departamento de Ucayali. Nuestra
variable de inters seria:
Deseo ser esterilizada.
Supongamos que a la charla asistieron tres mujeres, entonces definimos como variable
aleatoria a:
X : Nmero de mujeres que desearan ser esterilizadas.
Antes de hacerles la pregunta sobre su deseo de ser esterilizadas, puede considerar las
posibles respuestas:
X = 0 Ninguna deseara ser esterilizada
X = 1 Slo una de las mujeres deseara
X = 2 Dos mujeres desearan
X = 3 Las tres mujeres desearan
Antes de verificar las respuestas de las 3 mujeres seleccionada; no sabe cuntas estarn de
acuerdo en ser esterilizadas, pero si conociera las probabilidades de ocurrencia de cada uno
de los posibles valores de la variable podra predecir su ocurrencia con una cierta
probabilidad. El conjunto de las probabilidades de ocurrencia de los posibles valores de la
variable aleatoria se denomina distribucin de probabilidades.
En nuestro ejemplo:

A esto se le llama distribucin de probabilidades discreta. Discreta porque la variable X
deseo ser esterilizada es discreta.
SUCESO
Ciencia
Suceso o evento, en estadstica o en probabilidades, el resultado de un experimento
aleatorio.
Suceso determinista, experimento o fenmeno que da lugar a un resultado cierto o seguro.
Suceso, en teora de la relatividad, un punto del espacio-tiempo.
MUESTREO
Es un procedimiento por medio del cual se estudia una parte de la poblacin llamada
muestra, con el objetivo de inferir con respecto a toda la poblacin.
Es importante relacionar el muestreo con lo que es el censo, el cual se define como la
enumeracin completa de todos los elementos de la poblacin de inters.
VENTAJAS DEL MUESTREO:
a) Costos reducidos.
b) Mayor rapidez para obtener resultados.
c) Mayor exactitud o mejor calidad de la informacin:
Debido a los siguientes factores
c.1 Volumen de trabajo reducido.
c.2 Puede existir mayor supervisin en el trabajo.
c.3 Se puede dar ms entrenamiento al personal.
c.4 Menor probabilidad de cometer errores durante el procesamiento de la informacin.
d) Factibilidad de hacer el estudio cuando la toma de datos implica tcnicas destructivas,
por ejemplo:
- Pruebas de germinacin.
- Anlisis de sangre.
- Control de calidad.
TIPOS DE MUESTREO
MUESTREO NO PROBABILISTICO
Los elementos de la muestra son seleccionados por procedimientos al azar con
probabilidades conocidas de seleccin. Por lo tanto es imposible determinar el grado de
representatividad de la muestra.
Dentro de los tipos de muestreo no Probabilstico, podemos mencionar los siguientes:
Muestreo por Juicio, Seleccin Experta o Seleccin Intencional:
El investigador toma la muestra seleccionado los elementos que a l le parecen
representativos o tpicos de la poblacin, por lo que depende del criterio del investigados.
Muestreo casual o fortuito:
Se usa en los casos en no es posible seleccionar los elementos, y deben sacarse
conclusiones con los elementos que estn disponibles. Por ejemplo: en el caso de
voluntarios para pruebas de medicamentos de enfermedades como el corazn, cncer, etc.
Muestreo de cuota:
Se utiliza en estudios de opinin de mercado. Los enumeradores, reciben instrucciones de
obtener cuotas especficas a partir de las cuales se constituye una muestra relativamente
proporcional a la poblacin.
Muestreo de poblaciones mviles:
Este tipo de muestreo utiliza mtodos de captura, marca y recaptura. Se utiliza mucho en el
estudio de migracin de poblaciones de animales y otras caractersticas.
MUESTREO PROBABILISTICO, ALEATORIO O ESTOCASTICO:
Los elementos de la muestra son seleccionados siguiendo un procedimiento que brinde a
cada uno de los elementos de la poblacin una probabilidad conocida de ser incluidos en la
muestra.

PROPIEDADES DEL MUESTREO PROBABILISTICO:
a) Existe la posibilidad de definir inequvocamente un conjunto de muestras M
1
, M
2
,....,
M
t
mediante la aplicacin del procedimiento a una poblacin. Esto significa que podemos
indicar cuales unidades de muestreo pertenecen a M
1
, M
2
y as sucesivamente.
b) A cada posible muestra M
i
se le asigna un probabilidad conocida de seleccin P
i
.
c) Seleccionamos una de las M
i
por un proceso mediante el cual, cada M
i
tiene una
probabilidad P
i
de ser seleccionada.
d) El mtodo de estimacin se realiza en base a la muestra, siendo nico para cualquiera de
las posibles muestras M
i
.
TIPOS DE MUESTREO PROBABILISTICO:
a) Muestreo simple aleatorio (m.s.a.).
b) Muestreo Estratificado.
c) Muestreo Sistemtico.
d) Muestreo por conglomerados.
e) Muestreo por reas.
f) Muestreo Polietpico.
MUESTREO CON REEMPLAZAMIENTO
Cuando en el muestreo aleatorio cada una de las sucesivas unidades mustrales es devuelta
a la poblacin antes de extraer la siguiente. A este tipo de muestreo tambin se le denomina
en poblaciones infinitas, porque al incrementar el tamao de la muestra, la poblacin
aunque conste de un nmero finito de elementos no se agota nunca.
MUESTREO SIN REEMPLAZAMIENTO
Cuando en el muestreo aleatorio cada una de las sucesivas unidades mustrales son
excluidas de la poblacin antes de ser extrada la siguiente. A este tipo de muestreo tambin
se le denomina en poblaciones finitas, porque al incrementar el tamao de
la muestra la poblacin cuando consta de un nmero finito de elementos termina por
agotarse.

ESTADSTICO MUESTRAL
En estadstica un estadstico (muestral) es una medida cuantitativa, derivada de un conjunto
de datos de una muestra, con el objetivo de estimar o inferir caractersticas de
una poblacin o modelo estadstico.
Ms formalmente un estadstico es una funcin medible T que, dada una muestra estadstica
de valores , les asigna un nmero, , que sirve
para estimar determinado parmetro de la distribucin de la que procede la muestra. As,
por ejemplo, la media de los valores de una muestra (media muestral) sirve para estimar
la media de la poblacin de la que se ha extrado la misma; la varianza muestral podra
usarse para estimar la varianza poblacional, etc.
1
Esto se denomina como realizar
una estimacin puntual.
Ejemplos
Tipos de variables estadsticas.
Variable cuantitativa
Discreta: variables que pueden tomar valores enteros, n de hijos, n de sillas de una sala.
etc.
Continua: variable que toma valores no enteros Ejemplo: Estatura exacta, promedio de
notas, etc.
Variable cualitativa
Ordinal o Derivada: Son aquellas que existe un orden intuitivo; por ejemplo nivel de
educacin (bsico, medio, superior)
Nominal: Corresponde a aquellas en las cuales no existe un orden intuitivo; por ejemplo:
estado civil, el sexo, etc.
MEDIA MUESTRAL
Si se tiene una muestra estadstica de valores para una variable
aleatoria X con distribucin de probabilidad F(x,) (donde es un conjunto de parmetros
de la distribucin) se define la media muestral n-sima como:


DISTRIBUCIONES MUSTRALES
Considerndose todas las posibles muestras de tamao N que pueden extraerse de una poblacin dada (con
o sin reemplazamiento). Para cada muestra se puede calcular un estadstico, tal como la media, la desviacin
tpica, etc., que variara de una muestra a otra. De esta forma se obtiene una distribucin del
estadstico que se conoce como
DISTRIBUCIN MUESTRAL.
Si, por ejemplo, el estadstico de que se trata es la media muestral, la distribucin se conoce
como
DISTRIBUCIN MUESTRAL DE MEDIAS O DISTRIBUCIN MUESTRAL DE
LA MEDA.
Anlogamente se obtendra las distribuciones mustrales de las desviaciones tpicas, etc.
As, pues, se puede hablar dela media y desviacin tpica de la distribucin muestral de medias, etc.
DISTRIBUCIN MUESTRAL DE MEDIAS.
Supngase que son extradas de una poblacin finita todas las posibles muestras sin
reemplazamiento de tamao N, siendo el tamao de la poblacin Np > N. Si se denota la
media y la
Desviacin tpica de la distribucin muestral de medias por x yx y la media y la
desviacin tpica de la poblacin por y
Si la poblacin es infinita o si el muestreo es con reemplazamiento.
DISTRIBUCIN MUESTRAL DE DIFERENCIAS Y SUMAS.
Supnganse que se tienen dos poblaciones. Para cada muestra de tamao N1, extrada de la primera
poblacin se calcula un estudio S1. Esto proporciona una distribucin muestral del
estadstico S1 cuya medida y
Desviacin tpica vienen dadas por s1 y s1, respectivamente. Anlogamente, para cada muestra de
tamao N2, extrada de la segunda poblacin, se calcula un estadstico S2. Esto igualmente
proporciona una distribucin muestral del estadstico S2, cuya media y desviacin tpica
Vienen dadas por s2 y s2. De todas las posibles combinaciones de estas muestras de las dos
poblaciones se puede obtener una distribucin de las diferencias.
DISTRIBUCIN MUESTRAL DE UN ESTADSTICO.
Supongamos que en una poblacin de tamao N hemos atribuido a cada elemento de la
poblacin un valor de acuerdo con determinada caracterstica X que hemos medido.
Podemos seleccionar una muestra de tamao n y calcular un estadstico, por ejemplo, la
media, para los n valores seleccionados. Si volvemos a extraer muestras aleatorias y
repetimos la operacin sucesivamente, lograremos reunir un nmero elevado de medias.
Con las medias obtenidas, podemos construir una distribucin de frecuencias para los
valores de las medias, X . Pues bien, a medida que aumenta el nmero de muestras
extradas de tamao n, esa distribucin se aproxima a una distribucin terica que
denominaremos distribucin muestral del estadstico media.
Definicin.
DISTRIBUCIN MUESTRAL DE UN ESTADSTICO.
La distribucin muestral de un estadstico se define como la funcin de probabilidad (o
funcin de densidad de probabilidad) del estimador de ese estadstico. Es decir, se trata de
una funcin que expresa la probabilidad asociada a cada posible valor del estadstico
obtenido a partir de una muestra aleatoria de tamao n
Ejemplo:
Para ilustrar este concepto, construiremos la distribucin muestral del estadstico media, X
, cuando extraemos muestras aleatorias de tamao 2 en una poblacin constituida por los
valores {1, 2, 3}. La muestra estar formada por los valores de las dos variables aleatorias:
1
x (resultado de la primera seleccin) y
2
x (resultado de la segunda eleccin). A su vez, la
media muestral X es tambin una variable aleatoria, puesto que se obtiene por
combinacin lineal de las dos variables aleatorias
1
x y
2
x .
Formaremos muestras de tamao 2 recurriendo a dos vas diferentes
Procedimiento emprico.- Seleccionamos al azar una muestra con reposicin de 2
elementos y calculamos su media. Repetimos el proceso hasta un total de 20 veces. Los
resultados de este proceso podran ser, por ejemplo:
1
x 1 1 2 2 2 1 2 3 3 1
2
x 2 3 1 3 2 3 1 1 3 1
x
1.5 2 1.5 2.5 2 2 1.5 2 3 1
1
x 1 2 3 3 2 1 1 3 3 1
2
x 2 3 3 2 1 2 2 2 1 3
x
1.5 2.5 3 2.5 1.5 1.5 1.5 2.5 2 2

La distribucin de frecuencias para los valores de la media obtenidos quedara tal y como
muestra la siguiente tabla:
x
i
n
i
f
1 1 0.05
1.5 7 0.35
2 6 0.30
2.5 4 0.20
3 2 0.10

As habremos construido una distribucin muestral emprica.
Procedimiento terico.- Sin tener que extraer repetidas muestras para calcular la media de
los valores que las componen, podemos construir una distribucin muestral terica,
valindonos de conceptos probabilsticos. As podemos determinar las 9 muestras aleatorias
posibles con reposicin a partir de la poblacin considerada y calcular las respectivas
medias.
1
x 1 1 1 2 2 2 3 3 3
2
x 1 2 3 1 2 3 1 2 3
x
1 1.5 2 1.5 2 2.5 2 2.5 3

Teniendo en cuenta las medias de las nueve muestras posibles, todas ellas equiprobables,
puedo construir la funcin de probabilidad para la variable aleatoria X .
x
i
n
i
f
1 1 1/9 = 0.11
1.5 7 2/9 = 0.22
2 6 3/9 = 0.33
2.5 4 2/9 = 0.22
3 2 1/9 = 0.11
Conociendo esta distribucin muestral terica, se tiene que la probabilidad de obtener el
valor 1 = X para la media de una muestra extrada al azar de la poblacin es
( ) 11 ' 0 1 = = X p , mientras que la probabilidad de obtener el valor 2 = X es ( ) 33 ' 0 2 = = X p
. Es decir, en un 11 % de los casos, la muestra tendr como media 1 y en un 33 % de los
casos, el valor de la media de la muestra ser 2.
Como afirmbamos anteriormente, la distribucin muestral emprica de un estadstico se
aproxima a la distribucin muestral terica a medida que aumenta el nmero de muestras
extradas. Las frecuencias relativas obtenidas empricamente llegan a coincidir con las
probabilidades tericas cuando el nmero de muestras crece indefinidamente.
DISTRIBUCIN DE LAS MEDIAS MUESTRALES.
Definicin.
DISTRIBUCIN DE LAS MEDIAS MUESTRALES.
Dada una poblacin X. Consideramos todas las muestras posibles de tamao n en la
poblacin. Y en cada una de esas muestras se determina su media. La distribucin de todas
las medias muestrales se denomina distribucin de las medias muestrales, X .
Cuando realizamos un muestreo sin reposicin en una poblacin finita de media y
desviacin tpica o, la variable aleatoria X tiene como media y desviacin tpica:

1

=
=
N
n N
n
X
X
o
o


Donde N y n son los tamaos de la poblacin y la muestra, respectivamente.
En la prctica, las poblaciones de las que se extraen las muestras son indefinidamente
grandes, o al menos, el tamao de las muestras est por debajo del 5 % del tamao de las
poblaciones. En estos casos el muestreo sin reposicin puede considerarse equivalente al
muestreo con reposicin.
En los casos de poblaciones finitas con reemplazamiento o infinitas con o sin
reemplazamiento se tiene:


n
X
X
o
o

=
=

Pero por el teorema del lmite central sabemos que la distribucin muestral de las medias se
acerca a la distribucin normal cuando aumenta el tamao de la muestra.
Insistimos, cunto ms se aleje la distribucin poblacional del modelo normal, ms debe
incrementarse el tamao de la muestra para que la distribucin muestral de la media se
aproxime a una curva normal. Por tanto, en la prctica:
Si la poblacin es normal no habr ningn problema al afirmar que la distribucin muestral
de la media es normal
|
|
.
|

\
|
n
N
o
, .
Si la distribucin poblacional no es normal, se asume que la distribucin muestral de las
medias se aproxima a la normal
|
|
.
|

\
|
n
N
o
, cuando el tamao de la muestra es mayor o
igual que 30.
Puesto que X presenta una distribucin muestral normal, la variable tipificada
X
Z se
distribuye normalmente N (0 , 1).

n
X
X
Z
o

=
Sin embargo, no siempre conocemos el valor del parmetro o. Cuando o es desconocido,
podemos utilizar una estimacin de su valor y calculamos la desviacin tpica de la media
muestral (tambin llamado error tpico) por la siguiente formula:

1
1

=
n
n
s
n
n
s
X
o
Es decir, nos basamos en la desviacin tpica (s
n
) de una muestra aleatoria extrada de la
poblacin.


Observacin importante:
Cuando 30 > n podemos aceptar como desviacin tpica de distribucin muestral de
medias la desviacin tpica de la muestra.
Ejemplos:
Consideremos la poblacin P = {5, 7, 9}. Supongamos que formamos todas las posible
muestras de tamao 2 extrables de esta poblacin, sin reposicin:
{5 , 7}, {5 , 9}, {7 , 5}, {7 , 9}, {9 , 5}, {9 , 7}.
En cada una estas medias calculamos la correspondiente media:
{5 , 7} 6, {5 , 9} 7, {7 , 5} 6,
{7 , 9} 8, {9 , 5} 7, {9 , 7} 8.
La distribucin de medias muestrales es:
X
6 7 8 Total
N
i
2 2 2 6
Puedes comprobar fcilmente que:
7 =
X
, es igual a 7 = .
.... 8165 . 0 =
X
o , es igual a .. 81995 . 0
1 3
2 3

2
6399 . 1
1
=

N
n N
n
o
.
Consideremos la poblacin P = {5, 7, 9}. Supongamos que formamos todas las posibles
muestras de tamao 2 extrables de esta poblacin, con reposicin:
{5 , 5}, {5 , 7}, {5 , 9}, {7 , 5}, {7 , 7}, {7 , 9}, {9 , 5}, {9 , 7}, {9 , 9}.
En cada una estas medias calculamos la correspondiente media:
{5 , 5} 5, {5 , 7} 6, {5 , 9} 7,
{7 , 5} 6, {7 , 7} 7, {7 , 9} 8,
{9 , 5} 7, {9 , 7} 8, {9 , 9} 9.
La distribucin de medias muestrales es:
X
5 6 7 8 9 Total
N
i
1 2 3 2 1 9
Puedes comprobar fcilmente que:
7 =
X
, que es igual a 7 = .
.... 1547 . 1 =
X
o , que es igual a .. 1547 . 1
2
6399 . 1
= =
n
o
.
DISTRIBUCIN MUESTRAL DE LAS PROPORCIONES.
Definicin.
DISTRIBUCIN DE LAS PROPORCIONES MUESTRALES.
Dada una poblacin X. Consideramos todas las muestras posibles de tamao n en la
poblacin. Y en cada una de esas muestras se determina proporcin de individuos que
poseen una determinada caracterstica. La distribucin de todas las proporciones muestrales
(de la caracterstica estudiada) se denomina distribucin de las proporciones muestrales,
p
X .
Se puede demostrar que:
Sea p la proporcin de individuos que poseen la caracterstica estudiada y q = 1 p la
proporcin de los que no la poseen.
La distribucin muestral de las proporciones,
p
X , se distribuye aproximadamente como
una distribucin normal
|
|
.
|

\
|
n
q p
p N

, , de media p y desviacin tpica

n
q p
, cuando n
es suficientemente grande y p no se acerca ni a 0 ni a 1, verificando 5 > p n y 5 > q n , y
la poblacin es infinita o finita con reemplazamiento.
No obstante, la extraccin de las muestras de una poblacin de tamao N se puede realizar
con reemplazamiento o sin reemplazamiento, verificndose:
Si la poblacin es indenidamente grande (infinita) o finita con reemplazamiento tenemos:
n
pq
p
p
p
=
=
o

Si la poblacin es finita y la extraccin se hace sin reemplazamiento, tenemos:
1

=
=
N
n N
n
pq
p
p
p
o

Ejemplo:
- Consideramos la poblacin P = {1, 2, 3}. La proporcin de cifras pares es
3
1
= p y de
cifras impares es
3
2
= q . Las muestras con reemplazamiento de tamao 2 y sus
correspondientes proporciones p de cifras pares son:
Muestra 1 , 1 1 , 2 1 , 3 2 , 1 2 , 2 2 , 3 3 , 1 3 , 2 3 , 3
p 0 0.5 0 0.5 1 0.5 0 0.5 0

Con todas las proporciones consideradas como valores de una variable estadstica
calculamos su media y su desviacin tpica.
p
X
n
i

0 4
0.5 4
1 1
9

Obtenemos as la distribucin muestral de las proporciones,
p
X , de media y desviacin
tpica:
3
1
y
3
1
= =
p p
o
Pero tambin podemos obtener la desviacin tpica as:

3
1
2
3
2

3
1

= = =
n
q p
p
o
- Consideramos la poblacin P = {1, 2, 3}. La proporcin de cifras pares es
3
1
= p y de
cifras impares es
3
2
= q . Las muestras sin reemplazamiento de tamao 2 y sus
correspondientes proporciones p de cifras pares son:
Muestra 1 , 2 1 , 3 2 , 1 2 , 3 3 , 1 3 , 2
p 0.5 0 0.5 0.5 0 0.5

Con todas las proporciones consideradas como valores de una variable estadstica
calculamos su media y su desviacin tpica.
p
X
n
i

0 2
0.5 4
6
Obtenemos as la distribucin muestral de las proporciones,
p
X , de media y desviacin
tpica:

2 3
1
18
1
y
3
1
= = =
p p
o
Pero tambin podemos obtener la desviacin tpica as:

2 3
1
2
1

3
1
1 3
2 3

2
3
2

3
1
1

= =

=
N
n N
n
q p
p
o
TEORIA DE ESTIMACION
En inferencia estadstica se llama estimacin al conjunto de tcnicas que permiten dar un
valor aproximado de un parmetro de una poblacin a partir de los datos proporcionados
por una muestra. Por ejemplo, una estimacin de la media de una determinada caracterstica
de una poblacin de tamao N podra ser la media de esa misma caracterstica para
una muestra de tamao n.
1

La estimacin se divide en tres grandes bloques, cada uno de los cuales tiene distintos
mtodos que se usan en funcin de las caractersticas y propsitos del estudio:
Estimacin puntual:
Mtodo de los momentos;
Mtodo de la mxima verosimilitud;
Mtodo de los mnimos cuadrados;
Estimacin por intervalos.
Estimacin bayesiana.
ESTIMACIN DE PARMETROS.
Si u es un parmetro caracterstico de una poblacin, cuyo valor desconocemos, a partir de
las muestras extradas de esa poblacin podemos calcular un estadstico
.
E , que nos permita
estimar el valor del parmetro poblacional. Por ejemplo, sea la media de edad de los
alumnos universitarios espaoles. El estadstico X calculado a partir de muestras de
alumnos universitarios puede ser considerado un estimador del parmetro media, .
En una poblacin, cualquier parmetro u es nico. En cambio, cada una de las posibles
muestras de esa poblacin puede tener diferentes valores del estadstico
.
E . El estadstico
que tomamos como estimador es por tanto una variable, mientras que el parmetro es una
constante. Cada uno de los valores del estimador constituye una estimacin del parmetro.
En el ejemplo sobre las edades de los alumnos universitarios, extraemos 5 muestras
aleatorias y calculamos la media de edad de cada una de ellas. Las respectivas medias
5 4 3 2 1
y , , , X X X X X son estimaciones , puesto que hemos tomado el estadstico X
como estimador de .
Pero para que un estadstico sea tomado como estimador de un parmetro
poblacional, debemos contar con ciertas garantas de que los valores del estadstico
(estimaciones) se aproximan al verdadero valor del parmetro. Una de las condiciones
bsicas es que la muestra sea representativa de la poblacin, a lo que contribuye
especialmente el que la muestra sea aleatoria.
Recordamos que definimos estimador como un estadstico que permite obtener un
valor aproximado para alguna caracterstica de la poblacin. Cada uno de los valores de ese
estadstico representan una estimacin. Mientras que el estimador es una variable aleatoria,
la estimacin es un valor numrico alcanzado por esa variable aleatoria.
La estimacin de un parmetro se puede hacer mediante estimacin puntual o por
estimacin por intervalos. La estimacin puntual consiste en obtener un nico valor del
parmetro poblacional a partir de las observaciones muestrales, y se llama as porque se le
puede asignar un punto sobre la recta real. Mientras que en la estimacin por intervalo se
obtienen dos puntos, que definen un intervalo en la recta real que contendr el valor del
parmetro desconocido con cierta seguridad.
ESTIMACIN POR INTERVALOS.
En la estimacin por intervalos atribuimos al parmetro desconocido un segmento de
posibles valores entre los que se encuentra, con elevada probabilidad, el valor verdadero del
parmetro. Es decir, para estimar el valor del parmetro u, podemos ofrecer un intervalo de
puntuaciones dentro del cual se encuentra, con una probabilidad conocida, el valor buscado.
Por ejemplo, podramos determinar que con una probabilidad de 0.90, el valor de u se
encuentra dentro del intervalo [a , b].
Cuando realizamos una estimacin por intervalos resulta imprescindible apoyarse en la
distribucin muestral de los estadsticos utilizados como estimadores. Por ejemplo el
estadstico X , estimador de . Sabemos que si extraemos muestras de una poblacin en la
que la media es y la varianza
2
o , la distribucin muestral de X tiene como media y
como varianza
n
X
2
2
o
o = . Si el tamao n de las muestras es suficientemente grande, la
distribucin muestral del estadstico X tiende al modelo normal
|
|
.
|

\
|
n
N
o
, .
ESTIMACION PUNTUAL
La estimacin puntual consiste en obtener un nico nmero calculado a partir de las
observaciones muestrales, y que es utilizado como estimacin del valor del parmetro . Se
le llama estimacin puntual porque a ese nmero, que se utiliza como estimacin del
parmetro , se le puede asignar un punto sobre la recta real. En la estimacin por
intervalos se obtienen dos puntos ( un extremo inferior y un extremo superior) que definen
un intervalo sobre la recta real, el cual contendr con cierta seguridad el valor del parmetro
.
El estimador del parmetro poblacional es una funcin de las variables aleatorias u
observaciones muestrales y se representa por
u =g (
1 2
, ,...,
n
X X X )
Para una realizacin particular de la muestra (
1 2
, ,...,
n
x x x ) se obtiene un valor especfico
del estimador que recibe el nombre de estimacin del parmetro poblacional y lo
notaremos por
u = g (
1 2
, ,...,
n
x x x )
Vemos pues que existe diferencia entre estimador y estimacin. El estimador es un
estadstico y, por tanto, una variable aleatoria y el valor de esta variable para una muestra
concreta (
1 2
, ,...,
n
x x x ) ser la estimacin puntual. El estimador tendr su distribucin
muestral.
En la siguiente tabla expresamos diferentes parmetros poblacionales, sus estimadores y
sus estimaciones.




Parmetros poblacionales, estimadores y estimaciones.
Para la eleccin de estos estimadores puntuales nos hemos basado, principalmente en la
intuicin y en la posible analoga de los parmetros poblacionales con sus correspondientes
valores muestrales, pero ste no ser el mtodo ms adecuado para la obtencin de
estimadores puntuales, aunque en este caso se obtienen estimadores satisfactorios para los
parmetros poblacionales. En general, el problema de obtener estimadores puntuales no
ser tan sencillo, por ello tenemos que dar propiedades que seran deseables que se
cumplieran por los diferentes estimadores puntuales obtenidos, aunque no existe un
mecanismo o mtodo nico que nos permita obtener el mejor estimador puntual en todas las
circunstancias.
Parmetro
poblacional
Estimador Estimacin
Media
n
X
X
n
i
i
=
= =
1

1
n
i
i
x
x
n
=
=


Varianza
2
o
=

= =
n
i
i
X X
n
S
1
2 2 2
) (
1
1
o
( )
2
2
1
1
1
n
i
i
s x x
n
=
=

Proporcin p
bas nmeroprue
os nmeroxit
n
X
p = =
n
x
p =
Nuestro objetivo ahora ser dar algunas propiedades deseables de los estimadores
puntuales, con el fin de poder conocer la bondad de los mismos, pues cuantas ms
propiedades verifiquen los estimadores puntuales mejores sern.
HIPTESIS ESTADSTICAS.
La estadstica permite comprobar hiptesis cientficas a partir de los datos recogidos sobre
un problema, pero para ello es necesario que tales hiptesis sean formuladas en trminos
estadsticos. Es decir, las hiptesis cientficas tienen que ser operativizadas previamente,
expresadas en forma de afirmaciones acerca de parmetros. Por tanto, en una prueba de
decisin estadstica no contrastamos directamente las hiptesis cientficas, sino que
trabajamos con hiptesis estadsticas que son una traduccin de aquellas. Tras comprobar la
hiptesis estadstica, podemos inferir que la hiptesis cientfica queda validada.
Las hiptesis estadsticas son proposiciones acerca de parmetros de la poblacin (media,
proporciones, varianza, diferencia de medias, etc.) o de su distribucin. Cuando llevamos a
cabo una prueba estadstica, estamos trabajando con una hiptesis nula, que
simbolizaremos por H
0
. Junto a esta, consideramos la hiptesis alternativa, opuesta a la
anterior, que queda simbolizada por H
1
.
Veamos en qu consiste cada una de ellas:
Hiptesis nula (H
0
). Establece una hiptesis que provisionalmente se considera como
verdadera.
Hiptesis alternativa (H
1
). Toda hiptesis nula va acompaada de una hiptesis alternativa,
la cual afirma el supuesto contrario de la hiptesis nula.
Puesto que cada una de estas hiptesis afirma lo contrario que la otra es incompatible que
ambas sean ciertas. Por tanto, si llegamos a la conclusin de que la hiptesis nula no se
cumple, podemos afirmar que se cumple la hiptesis alternativa y viceversa.







BIBLIOGRAFIA:
http://es.wikipedia.org/wiki/Estad%C3%ADstica_inferencial
http://www.economia48.com/spa/d/muestreo-con-reemplazamiento/muestreo-con-
reemplazamiento.htm
http://www.economia48.com/spa/d/muestreo-sin-reemplazamiento/muestreo-sin-
reemplazamiento.htm
http://www.monografias.com/trabajos27/probabilidades-discretas/probabilidades-
discretas.shtml
http://es.wikipedia.org/wiki/Suceso
http://destadistica.ingenieria.usac.edu.gt/index.php?option=com_content&view=article
&id=48&Itemid=66
http://es.wikipedia.org/wiki/Estad%C3%ADstico_muestral
http://www.google.com.ec/url?sa=t&rct=j&q=&esrc=s&source=web&cd=5&ved=0CE
8QFjAE&url=http%3A%2F%2Fwww.juntadeandalucia.es%2Faverroes%2Fcentros-
tic%2F04004978%2Fhelvia%2Faula%2Farchivos%2F_46%2Fhtml%2F9701468%2Fes
tadistica%2Ftemas%2Finferencia_teoria.doc&ei=xIe1ULioGILc8ASeooDwBQ&usg=
AFQjCNHbzdRwAiI3Z6E1W23cBEQANf1MCQ&sig2=CHSU2whQF1J6hi3mt7Hq-
Q
http://es.wikipedia.org/wiki/Estimaci%C3%B3n_estad%C3%ADstica
http://cursoinferenciaestadistica.blogspot.com/2010/08/importancia-de-inferencia-
estadistica.html
UNIVERSIDAD TCNICA DE MANAB
FACULTAD DE INGENIERA AGRCOLA

TRABAJO INVESTIGATIVO

CTEDRA:
ESTADSTICA.

CATEDRTICO:
ING..

ESTUDIANTE:
MIGUEL ANGEL DELGADO MARCILLO.

NIVEL:
IV

PARALELO: