Tema.12.

Inferencia estadística

Principales conceptos.
Muestreo. Distribución
muestral de un estadístico.
Principales distribuciones
muestrales.
Principales conceptos en inferencia estadística

Idea básica: Hacer inferencias sobre la población a

partir de la muestra que hemos extraído de la misma.

Ello nos lleva a tratar (brevemente) el tema del

muestreo. Pensemos que la muestra habrá de ser
representativa de la población, para que podamos
efectuar inferencias que tengan sentido.
 Muestreo
Definición: Proceso que nos permite la extracción de
una muestra a partir de una población

Hay dos tipos básicos de muestreo:

1. Muestreo probabilístico. En este tipo de muestreo, la
probabilidad de aparición en una muestra de cualquier elemento
de la población es conocida (o calculable). Es el único
científicamente válido, y es sobre el que nos extenderemos
especialmente.
2. Muestreo no probabilístico. Es aquel en el que la selección de
los elementos de la muestra no se hacen al azar.
 Muestreo probabilístico

Este muestreo garantiza que, a la larga, las muestras que se van

obteniendo de la población sean representativas de la misma. Vamos a
ver varios tipos de muestreo probabilístico.

1. Muestreo aleatorio simple

2. Muestreo estratificado
3. Muestreo por conglomerados
4. Muestreo por etapas (o polietápico)
5. Muestreo sistemático (?)
Muestreo probabilístico

1. Muestreo aleatorio simple

Es aquel en el que, a priori, todos los elementos de la muestra tienen la

misma probabilidad de aparición.

Supongamos que tengamos una población de 50.000 individuos, y que

tenemos un listado con sus nombres. Si queremos elegir 100 personas,
lo que necesitamos es que el ordenador elija al azar a 100 individuos de
esos 50.000.
Muestreo probabilístico

2. Muestreo estratificado

En el muestreo estratificado, los investigadores han de

dividir a los sujetos en diferentes subpoblaciones (o
estratos), en función de cierta característica relevante, y
después lo que hacen es un muestro aleatorio simple de
cada estrato.
Evidentemente, cada individuo debe pertenecer a un estrato
(y solo uno), y cada individuo del estrato habrá de tener la
misma probabilidad de ser escogido como parte de la
muestra.
Ejemplo: Supongamos que, en Valencia, 70% de los niños
de primaria van a escuela pública y el 30% a concertada. Si
queremos 1,000 niños, lo que haremos es dividir los
alumnos en 2 estratos (pública y concertada) y se eligen
aleatoriamente 700 niños de la pública y aleatoriamente 300
de la concertada.
Muestreo probabilístico

3. Muestreo por conglomerados

En el muestreo por conglomerados, en lugar de considerar

cada elemento de la población, lo que consideramos son
“conglomerados de elementos”. El proceso es elegir
aleatoriamente uno o varios conglomerados y la muestra
estará formada por TODOS los elementos de los
conglomerados.

Ejemplos:
-En las encuestas durante las elecciones, los
conglomerados pueden ser las mesas electorales, y lo que
se hace es escoger algunas mesas al azar (y de ahí se toman
todos los votos de las mesas seleccionadas).
-En otros ejemplos, los conglomerados pueden ser los
bloques de viviendas, los municipios, etc.
Muestreo probabilístico

4. Muestreo por etapas

En este caso se combina el muestreo aleatorio

simple con el muestreo por conglomerados:

Primero se realiza un muestreo por conglomerados (v.g., si

los conglomerados son colegios en Valencia, se seleccionan
aleatoriamente varios de ellos).
Segundo, no se eligen todos los alumnos (como ocurriría en
un muestro por conglomerados), sino que se elige una
muestra aleatoria. (Dicha muestra puede ser obtenida por
muestreo aleatorio simple o puede ser estratificado.)
Es decir, hemos tenido 2 etapas de muestreo. Y claro está,
es posible tener más de 2 etapas...
Muestreo probabilístico

5. Muestreo aleatorio sistemático

Supongamos que tengamos una lista de N elementos
(e.g., estudiantes de secundaria) y queramos una
muestra de tamaño “n”. En este caso, lo que se hace
es ordenarlos (v.g., en función de los apellidos) y
después se elige aleatoriamente un elemento entre los
N/n=k primeros, y luego se elige de manera sistemática
el que esté k lugares después del primer elemento, y
así sucesivamente.
Ejemplo: Tenemos 10000 estudiantes (en una lista) y
queremos obtener una muestra de 100 estudiantes.
Primero elegimos al azar un estudiante entre los
10000/100=100 primeros (supongamos que salga el
26), el segundo elemento será el estudiante 100+26
(126), el siguiente será el 226, luego el 326, etc.
Muestreo no probabilístico

1. Muestreo sin norma (o de conveniencia)

Se elige a una muestra por ser conveniente, fácil,
económica. Pero no se hace en base a un criterio de
aleatoridad.
Ejemplo: las encuestas en los periódicos
electrónicos; el muestreo habitual en los trabajos en
psicología.

2. Muestreo intencional
En este caso, si bien el muestreo no es
probabilístico, los investigadores procuran que se
garantice la representatividad de la muestra
Distribución muestral de un estadístico

Supongamos que tenemos una variable aleatoria,

cuya distribución es f(x)
Supongamos, por simplicidad, que obtenemos una
muestra aleatoria simple con tamaño n
X1, X2, ... Xn

Entonces, un estadístico es cualquier función h

definida sobre X1, X2, ... Xn y que no incluye parámetro
desconocido alguno:
Y=h(X1, X2, ... Xn)
La distribución de dicho estadístico Y la vamos a denominar g(y)
Distribución muestral de un estadístico
Observad:
f(x) es la distribución de la v.a. bajo estudio
g(y) es la distribución del estadístico que tenemos

Es vital conocer la distribución muestral del

estadístico de interés para poder efectuar
inferencias sobre el parámetro correspondiente.

Esto es, para efectuar inferencias sobre la media

poblacional µ , necesitamos conocer la distribución
muestral de X
Distribución muestral de la media

Veremos primero el caso de que la distribución

subyacente sea normal, con media µ y varianza σ 2

La media de la distribución muestral de medias es

µ

La varianza de la distribución muestral de medias es σ2 /n

La forma de la distribución muestral de la media es normal.

Nota: La desviación típica de la distribución muestral suele ser denominada:

error típico de tal estadístico (v.g., “error típico de la media”, etc.)
 Distribución muestral de la media. Ejemplo 1

Distribución poblacional
400
La línea (en este y sucesivos ejemplos) es una curva
subyacente (dist. Normal):
normal
Media=100
300 (Varianza=225)
Desv.Típica=15

200

100 Distribución muestral de la

media:
Desv. típ. = 4.75
Media = 99.9 Tamaño muestral=10
0 N = 3600.00
Media=100
82
84
86
88
90
92
94
96
98
10
10 .0
10 .0
10 .0
10 .0
11 .0
11 .0
11 .0
11 .0
.0

.0
0

6
8

4
.0
.0

.0
.0
.0
.0
.0

2
4

0
2

6.

(Varianza=225/10=22.5)
0

N10 En este y sucesivos gráficos: Número de réplicas Desv.típica= 22.5 = 4.74

 Distribución muestral de la media. Ejemplo 2

Distribución poblacional
500 subyacente (dist. Normal):
Media=100
400 Desv.Típica=15

300

200

Distribución muestral de la
media:
100
Desv. típ. = 3.36 Tamaño muestral=20
Media = 100.0
0 N = 3600.00 Media=100
(Varianza=225/20=11.3)
88

90

92

94

96

98

10

10

10

10

10

11

11

11
.0

.0

.0

.0

.0

.0

0.

2.

4.

6.

8.

0.

2.

4.
0

N20 Desv.típica=3.35
 Distribución muestral de la media. Ejemplo 3

Distribución poblacional
700 subyacente (dist. Normal):

600
Media=100
Desv.Típica=15
500

400

300

200 Distribución muestral de la

media:
100 Desv. típ. = 2.12
Media = 99.95 Tamaño muestral=50
0 N = 3600.00
Media=100
93

95

97

99

10

10

10

10

10

(Varianza=225/50=4.5)
.2

.2

.2

.2

1.

3.

5.

7.

9.
5

25

25

25

25

25

N50 Desv.típica=2.12
Distribución muestral de la media

Veremos ahora el caso de que la distribución

subyacente sea arbitraria, si bien sabemos que la
media es µ y la varianza sea σ 2

La media de la distribución muestral de medias es µ

La varianza de la distribución muestral de medias es σ 2 / n

La forma de la distribución muestral de la media TAMBIÉN tiende a ser normal.

En concreto, la distribución muestral se acercará más y más a la distribución
normal (media µ y varianza σ 2/n) a medida que se aumente el tamaño de cada
muestra.
Distribución muestral de la media. Ejemplo 4

Distribución poblacional La distribución GAMMA tiene 2 parámetros:

subyacente (dist. GAMMA): λ que es un parámetro de escala (1)
p 100
Media=100= = = 100
λ 1 p que es un parámetro de forma (100)
p 100
Varianza=100= = = 100
λ 2 12

0.045
0.04
0.035
0.03
0.025
0.02
0.015
0.01
0.005
0
80 85 90 95 100 105 110 115 120
 Distribución muestral de la media. Ejemplo 4

Distribución poblacional
subyacente (dist. GAMMA):
500
Media=100
Varianza=100
400

300

200
Distribución muestral de la
media:
100
Desv. típ. = 3.12 Tamaño muestral=10
Media = 100.0
0 N = 3600.00 Media=100
90

92

94

96

98

10

10

10

10

10

11

(Varianza=100/10=10)
.0

.0

.0

.0

.0

0.

2.

4.

6.

8.

0.
0
0

DISGAMMA Desv.típica= 10 = 3.16

Distribución muestral de la media. Ejemplo 5

Distribución poblacional (dist.

EXPONENCIAL): La distribución EXPONENCIAL tiene 1
Media=0.1=1/λ parámetro: λ (en el ejemplo: 10)

Varianza=0.01=1/λ 2

12

10

0
0 0.1 0.2 0.3 0.4 0.5 0.6

Ejemplo de distr.exponencial en psicología: v.g., tiempo transcurrido entre 2

pulsaciones de una rata en una caja de Skinner.
 Distribución muestral de la media. Ejemplo 5a

Distribución poblacional (dist.

400
EXPONENCIAL):
Media=0.1=1/λ
300 Varianza=0.01=1/λ 2

200

100
Distribución muestral de la
Desv. típ. = .03 media:
Media = .100

0 N = 3600.00 Tamaño muestral=10

Media=.100
.0
.0
.0
.0
.0
.0
.1
.1
.1
.1
.1
.1
.1
.1
.2
.2
.2
.2
31
44
56
69
81
94
06
19
31
44
56
69
81
94
06
19
31
44

EXPON10 (Varianza=0.01/10=.001)

Observad que la dist. muestral se aproxima a la normal Desv.típica=.03

 Distribución muestral de la media. Ejemplo 5b
500
Distribución poblacional (dist.
EXPONENCIAL):
400
Media=0.1=1/λ

300
Varianza=0.01=1/λ 2

200

100
Desv. típ. = .02
Media = .099 Distribución muestral de la
0 N = 3600.00 media:
Tamaño muestral=20
.0

.0

.0

.0

.0

.1

.1

.1

.1

.1

.1

.1

.1
44

56

69

81

94

06

19

31

44

56

69

81

94

EXPON20 Media=.100

Observad que la distribución muestral se aproxima

(Varianza=0.01/20=.0005)
más a la normal (al elevar el tamaño muestral). Desv.típica=.022
 OTRAS DISTRIBUCIONES MUESTRALES (1)

Distribución muestral de X −µ
s%/ n
Cuando la distribución de la que obtenemos las medias muestrales es
gaussiana (“distr.normal”), la expresión anterior se distribuye según la
distribución t de Student con tn-1 grados de libertad. (Esta distribución es
básica para efectuar inferencias entre dos medias.)

s%2
Asumiendo varianzas
Distribución muestral de 1
s%
2
poblacionales iguales
2

Cuando las distribuciones de la que obtenemos las varianzas muestrales

son gaussianas, la expresión anterior se distribuye según la distribución
F de Fisher con n1-1 grados de libertad en el numerador y n2-1 grados
de libertad en el denominador. (Recordad que la distribución F es básica
para la razón de varianzas: ANOVA.)
 OTRAS DISTRIBUCIONES MUESTRALES (2)

Distribución muestral de ns 2 / σ 2

Cuando las distribución de la que obtenemos la varianza muestral es

gaussiana, la anterior expresión se distribuye según la distribución chi-
cuadrado con n-1 grados de libertad.