I. INTERVALOS DE CONFIANZA: EJEMPLOS .

1.1 Inferencia estadística.

Módulo I

La Inferencia Estadística es aquella rama de la Estadística mediante la cual se trata

de sacar conclusiones de una población en estudio, a partir de la información que
proporciona una muestra representativa de la misma. También es denominada
Estadística Inductiva o Inferencia Inductiva ya que es un procedimiento para generar
nuevo conocimiento científico.
Uno de los propósitos de la inferencia Estadística es el de conseguir técnicas para
hacer inferencias inductivas y medir el grado de incertidumbre de tales inferencias.
La medida de la incertidumbre se realiza en términos de probabilidad.
La inferencia Estadística puede dividirse en dos apartados de acuerdo con el
conocimiento sobre la distribución en la población.

 Inferencia Paramétrica:
Se conoce la forma de la distribución (Normal, Binomial, Poisson, etc .... ) pero se
desconocen sus parámetros. Se realizan inferencias sobre los parámetros
desconocidos de la distribución conocida.

 Inferencia No Paramétrica:

1
 Forma y parámetros desconocidos. Se realizan inferencias sobre características que
no tienen por qué ser parámetros de una distribución conocida (Mediana,
Estadísticos de Orden).

De acuerdo con la forma en que se estudian los parámetros o características

desconocidas, la inferencia puede dividirse en dos apartados:
 Estimación:
Se intenta dar estimaciones de los parámetros desconocidos sin hacer hipótesis
previas sobre posibles valores de los mismos.
o Estimación puntual: Un único valor para cada parámetro.
o Estimación por intervalos: Intervalo de valores probables para el
parámetro.
 Contraste de Hipótesis: Se realizan hipótesis sobre los parámetros
desconocidos y se desarrolla un procedimiento para comprobar la verosimilitud
de la hipótesis planteada.

1.2 Estimación de parámetros

La inferencia estadística asume que se cuenta con datos de una muestra y que se desea
conocer cuáles son las características (ya sea la media, la mediana, la curtosis, etc.),
no de esa muestra, sino de la población a la que esa muestra pertenece. A los valores
de esas características a nivel poblacional se les conoce como parámetros y se
representan simbólicamente con letras griegas: µ, σ, π, ρ, β.
Para conocer los valores de los parámetros podemos plantearnos, bien recoger datos
para todos los elementos de la población, algo que puede resultar poco viable en
muchas situaciones prácticas, bien realizar una estimación de los mismos a partir de los
datos de una muestra. Esta segunda vía es mucho más habitual en la práctica, si bien,
supone asumir cierto riesgo de error pues, en cuanto que estimación, el valor que
obtengamos no tiene porque coincidir con el verdadero valor de ese parámetro.
Se pueden diferenciar dos grandes aproximaciones a la estimación de parámetros:
La estimación puntual y la estimación por intervalos. La diferencia básica entre ambas
a la hora de estimar un parámetro es que la primera proporciona una estimación
consistente en un valor concreto (puntual), mientras que la segunda ofrece como
estimación un rango de valores (intervalo). En realidad, la segunda aproximación
consiste en una extensión de la primera, por lo que será la estimación puntal.
Para un determinado parámetro pueden considerarse diferentes funciones matemáticas
que nos ofrezcan estimaciones del mismo. Por ejemplo, parámetros de la media (µX):

2
 Se considera como mejor estimador de un parámetro determinado, aquella
función matemática que cumpla las siguientes cuatro propiedades que a
continuación se describen:
1) Ausencia de sesgo: Un estimador es insesgado cuando el promedio de las
estimaciones obtenidas en diferentes muestras es, precisamente, el valor del
parámetro que se pretende estimar.
2) Eficiencia: Esta es una propiedad que se establece en términos
comparativos, esto es, es más eficiente aquel estimador cuyas estimaciones del
verdadero valor del parámetro tienen una variabilidad menor. Precisamente, una
forma de valorar la eficiencia de un estimador es obteniendo la desviación típica
de las estimaciones proporcionadas por el mismo, el conocido como error típico
de estimación del estimador. Así, entre dos estimadores, será mejor aquél que
proporcione un menor error típico de estimación.
3) Consistencia: Un estimador es consistente si la probabilidad de que el valor
estimado coincida con el del parámetro aumenta a medida que el tamaño de la
muestra crece.
4) Suficiencia: Un estimador es suficiente respecto a un parámetro si agota la
información disponible en la muestra aprovechable para la estimación.

II. INTERVALOS DE CONFIANZA.

Consiste en determinar, mediante un estimador, 2 valores numéricos llamados límite
inferior (L1) y límite superior (L2). Con un cierto grado de confianza, se espera que estos
límites contengan el valor del parámetro que se quiere hallar. Es decir, el valor del
parámetro debería encontrarse entre el límite inferior y límite superior obtenidos de la
estimación.
Cabe mencionar que no todos los intervalos obtenidos de un estimador incluirán
realmente al parámetro. Es por ello que se aplica el concepto de nivel de confianza.

3.1 Intervalo de confianza para la media :

Los valores de los límites, inferior (L1) y superior (L2), se encuentran aplicando la fórmula
general:

3
Por consiguiente, los límites del intervalo se obtienen sumando o restando el error estándar
al valor de la media muestral. Específicamente, para hallar el límite inferior (L1) se resta el
error estándar y para hallar el límite superior (L2) se suma el error estándar.

Ejemplo :

Se tiene interés en estimar la altura media de los alumnos de la Facultad de

contabilidad de la USMP. Se recurre a una muestra aleatoria de 36 alumnos y se
obtienen los siguientes resultados:

= 170 cm ; s = 20 cm

Solución
 Si no se especifica el grado de confianza, se utiliza por lo general 95%, lo cual
corresponde a z = 1.96. Conociendo los datos. Se puede aplicar la fórmula:
 =  Z x s_
 Li = 170 - 1.96 x 20/6_  163.47 cm
 Ls = 170 + 1.96 x 20/6  176.53 cm
 Por lo tanto, la estatura promedio de los estudiantes de la facultad de contablidad de
la USMP está comprendida entre 163.5 y 176.5 cm, con un grado de confianza del
95%.
  I.C. 95% (163.5 ; 176.5 cm)

1.2 Intervalo de confianza para la proporción P

Los valores de los límites, inferior (L1) y superior (L2), se encuentran aplicando la
fórmula general:

4
 Por consiguiente, los límites del intervalo se obtienen sumando o restando el error
estándar al valor de la proporción muestral (p). Específicamente, para hallar el límite
inferior (L1) se resta el error estándar y para hallar el límite superior (L2) se suma el
error estándar.

 Para explicar el uso de esta forma de estimación se resolverán los ejemplos

planteados anteriormente.

Ejemplo
Supóngase que en una muestra de 2000 personas se encontró que 250 son alcohólicos.
Es decir, el porcentaje de alcohólicos en la muestra es:
p=250/2000x100=12.5%.Calcular el intervalo de confianza al 95%.

Por lo tanto, con un nivel de confianza de 95%, se puede afirmar que el porcentaje de
alcoholismo en la población se encuentra entre 11.05% y 13.95%.