Profesor: Msc.

José Zúñiga Sáenz

Asignatura: Estadística Inferencial Docente: José Zúñiga Sáenz

Tema: Análisis de Supuestos para estimación estadística

Suelen presentarse situaciones en las que desea conocer los valores de parámetros poblacionales tales como la
media, la proporción, la diferencia de medias, la diferencia de proporciones, la varianza y la razón de varianzas.
La Inferencia Estadística es el procedimiento mediante el cual se pueden sacar conclusiones acerca de una
población, partiendo de la información contenida en una muestra extraída de esa población. El objetivo
principal de la inferencia estadística es la Estimación, esto es que mediante el estudio de una muestra de una
población se quiere generalizar las conclusiones al total de la misma. Los estadísticos varían mucho dentro de sus
distribuciones muestrales, y mientras menor sea el error estándar de un estadístico, más cercanos serán unos de
otros sus valores. El campo de la inferencia estadística se divide en dos: Por un lado está El Problema De La
Estimación de Parámetros en una Distribución, y por otro, Las Pruebas de Hipótesis. En el problema de estimación
se trata de elegir el valor de un parámetro de la población, mientras que en las pruebas de hipótesis se trata de
decidir entre aceptar o rechazar un valor especificado (ejemplo, si la marca A es superior a la marca B).
A su vez el problema de la estimación se puede dividir en dos áreas: La estimación puntual, y la estimación por
intervalos de confianza. En forma similar, en el campo de las pruebas de hipótesis se pueden considerar dos
áreas: Pruebas de hipótesis sobre parámetros, para determinar si un parámetro de una distribución toma o no un
determinado valor, y Pruebas de Bondad de Ajuste, para definir si un conjunto de datos se puede modelar
mediante una determinada distribución.

Para tratar una sola población de estudio:

 Supuesto a). Sigma Conocido y no importa el tamaño de la muestra (puede ser grande o pequeña)
Cuando se cumple este supuesto, se emplea la estandarización con Z así:
𝜎 𝜎
(𝑼 < 𝜽 < 𝑽) 𝑑𝑜𝑛𝑑𝑒 𝑈 = 𝑥 − (𝑍𝛼⁄2 ) ∗ 𝑦 𝑉 = 𝑥 + (𝑍𝛼⁄2 ) ∗
√𝑛 √𝑛
 Supuesto b). Sigma Desconocido y la muestra es pequeña (n ≤ 30)
Cuando se cumple este supuesto, se emplea la estandarización con t de Student así:
𝑠 𝑠
(𝑼 < 𝜽 < 𝑽) 𝑑𝑜𝑛𝑑𝑒 𝑈 = 𝑥 − (𝑡𝛼⁄2 ) ∗ 𝑦 𝑉 = 𝑥 + (𝑡𝛼⁄2 ) ∗ 𝑐𝑜𝑛 𝑛 − 1 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑
√𝑛 √𝑛
Para tratar dos poblaciones de estudio:
 Supuesto a). Sigmas Conocidos y no importan los tamaños de muestras (pueden ser grandes o pequeñas)
Cuando se cumple este supuesto, se emplea la estandarización con Z así:
𝜎12 𝜎22 𝜎12 𝜎22
(𝑼 < 𝜽 < 𝑽) 𝑑𝑜𝑛𝑑𝑒 𝑈 = (𝑥1 − 𝑥2 ) − 𝑍 ∗ √ + 𝑦 𝑉 = (𝑥1 − 𝑥2 ) + 𝑍 ∗ √ +
𝑛1 𝑛2 𝑛1 𝑛2

 Supuesto b). Sigmas Desconocidas σ12 = σ22 e iguales pero las muestras son pequeñas ( n1 ≤ 30 y n2 ≤ 30 )
Cuando se cumple este supuesto, se emplea la estandarización con t de Student así:
𝑠2 𝑠2 𝑠2 𝑠2
(𝑼 < 𝜽 < 𝑽); 𝑈 = (𝑥1 − 𝑥2 ) − 𝑡 ∗ √ + 𝑦 𝑉 = (𝑥1 − 𝑥2 ) + 𝑡 ∗ √ +
𝑛1 𝑛2 𝑛1 𝑛2
(𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠22
𝑦 𝑉. 𝑀. 𝐶. = 𝑠 2 = 𝑙𝑜𝑠 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑 𝑠𝑜𝑛 𝑛1 + 𝑛2 − 2
𝑛1 + 𝑛2 − 2
Donde V.M.C. es la Varianza Muestral Combinada o Varianza Agrupada

 Supuesto c). Sigmas Desconocidas σ12 ≠ σ22 y diferentes pero las muestras son pequeñas. ( n1 ≤ 30 y n2 ≤ 30 )
Cuando se cumple este supuesto, se emplea la estandarización con t de Student así:
2
𝑠12 𝑠22
𝑠 2
𝑠 2
𝑠 2
𝑠 2 ( + )
𝑛1 𝑛2
(𝑼 < 𝜽 < 𝑽)¸𝑈 = (𝑥1 − 𝑥2 ) − 𝑡 ∗ √ 1 + 2 𝑦 𝑉 = (𝑥1 − 𝑥2 ) + 𝑡 ∗ √ 1 + 2 𝑙𝑜𝑠 𝐺𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑 = 2 2
𝑛1 𝑛2 𝑛1 𝑛2 𝑠 2
𝑠2
( 1 ⁄𝑛1 ) ( 2 ⁄𝑛2 )
+
𝑛1 − 1 𝑛2 − 1
Profesor: Msc. José Zúñiga Sáenz