1

INSTITUTO TECNOLOGICO SUPERIOR DE

ATLIXCO

MATERIA: PROBABILIDAD Y ESTADISTICA

ALUMNA: ELVIRA MUÑOZ ZAMBRANO

DOCENTE: MTRO. IVAN REYES CASTILLO

INGENERIA MECATÓNICA

“INFERENCIA ESTADISTICA”

2º”B”

INFERENCIA ESTADISTICA
A. CONCEPTOS BÁSICOS
Inferencia estadística: Inferir es, en general,
establecer un nuevo conocimiento partiendo de
uno ya "dado". La inferencia estadística va a ser
una forma especial de realizar este proceso.
Consiste, básicamente, en determinar algunas
características desconocidas de una población
partiendo de datos muestrales conocidos.
Fundamentalmente la Inferencia Estadística
consiste en la resolución de dos grandes
categorías de problemas:
La estimación: Determinar el valor de una
característica poblacional desconocida. Podrá
ser:
• Por punto: Determinación de un valor
poblacional concreto
• Por intervalo: Determinación de un
intervalo en el que quede incluido el valor de la
característica con cierto grado de probabilidad.
El contraste de hipótesis: Determinar si es
aceptable, partiendo de los datos muestrales,
que la característica poblacional estudiada tome
un valor determinado o bien que pertenezca a
un intervalo de valores determinado.
Poblacion: Colectivo sujeto del estudio .Cabe
distinguir entre Población (colectivo en el que
estamos considerando la magnitud sujeta a
estudio) y Universo (colectivo de todos los
elementos sujetos del estudio, en el que no
consideramos la magnitud).
Muestra: Un subconjunto cualquiera de la
población. Para que la muestra nos sirva para
extraer conclusiones sobre la población deber
ser representativa, lo que se consigue
seleccionando sus elementos al azar, lo que da
lugar a una muestra aleatoria
Muestreo: Procedimiento para la obtención de
una muestra
Muestreo opinatico: es aquel procedimiento de
selección de los elementos muestrales que se
realiza según el criterio del investigador.
2
MUESTREO ALEATORIO: es aquel
procedimiento de selección de la muestra en el
que todos y cada uno de los elementos de la
población tiene una cierta probabilidad de
resultar elegidos.
MUESTREO ALEATORIO SIMPLE: (M.A S.): es
aquel muestreo aleatorio en el que la
probabilidad de que un elemento resulte
seleccionado se mantiene
Constante a lo largo de todo el proceso de
obtención de la misma.
Muestra genérica de tamaño n: Es una variable
aleatoria
N-dimensional; X = [x1, x2, x 3,..., xn] donde
cada xj (con j=1,2,...n)
En la medida en que en el muestreo aleatorio
cada elemento de la población tiene una
probabilidad de ser elegido, cada dato muestral
genérico será una variable aleatoria que tendrá
asociada una función de probabilidad f(x) (de
cuantía o de densidad) según una determinada
distribución que llamaremos distribución básica,
madre, o, simplemente, distribución de la
población y recorrerá todos los posibles valores
de la población.
Estadístico: Es cualquier función de los valores
muestrales que dependa exclusivamente de
estos. En la medida en que los valores
muestrales son variables aleatorias también lo
serán las funciones de éstos: los estadísticos.
[1]
B. MUESTREO
El muestreo es una herramienta de la
investigación científica, cuya función básica es
determinar que parte de una población debe
examinarse, con la finalidad de hacer
inferencias sobre dicha población.
Los errores más comunes que se pueden
cometer son:

1.- Hacer conclusiones muy generales a partir
de la observación de sólo una parte de la
Población, se denomina error de muestreo.
2.- Hacer conclusiones hacia una Población
mucho más grandes de la que originalmente se
tomó la muestra. Error de Inferencia.
Existen diferentes criterios de clasificación de
los diferentes tipos de muestreo, aunque en
general pueden dividirse en dos grandes
grupos: métodos de muestreo probabilísticos y
métodos de muestreo no probabilísticos.
Probabilísticos
Muestreo probabilístico. Los métodos de
muestreo probabilísticos son aquellos que se
basan en el principio de equiprobabilidad. Es
decir, aquellos en los que todos los individuos
tienen la misma probabilidad de ser elegidos
para formar parte de una muestra y,
consiguientemente, todas las posibles muestras
de tamaño n tienen la misma probabilidad de
ser seleccionadas.
Muestreo aleatorio simple: El procedimiento
empleado es el siguiente: 1) se asigna un
número a cada individuo de la población y 2) a
través de algún medio mecánico (bolas dentro
de una bolsa, tablas de números aleatorios,
números aleatorios generados con una
calculadora u ordenador, etc.) se eligen tantos
sujetos como sea necesario para completar el
tamaño de muestra requerido.
Muestreo aleatorio sistemático. Esta técnica
consiste en extraer elementos de la población
mediante una regla sistematizadora que
previamente hemos creado (sencillamente cada
K elementos). Así; numerada la población, se
elige (aleatoriamente) un primer elemento base,
partiendo de éste se aplica la regla para
conseguir los demás hasta conseguir el tamaño
muestral adecuado. Este procedimiento
conlleva el riesgo de dar resultados sesgados si
en la población se dan periodicidades o rachas.
Muestreo aleatorio estratificado. Consiste en
considerar categorías típicas diferentes entre sí
(estratos) que poseen una gran homogeneidad
interna (poca varianza interna) y no obstante
son heterogéneos entre sí (mucha varianza
entre estratos). La muestra se distribuye (se
3
extrae de) entre los estratos predeterminados
según la naturaleza de la población.
Muestreo por conglomerados. La unidad
muestral es un grupo de elementos de la
población que forman previsiblemente una
unidad de comportamiento representativo.
Dicha unidad es el conglomerado cuyo
comportamiento interno puede ser muy disperso
(varianza grande) pero que presumiblemente
poseerá un comportamiento próximo a otros
conglomerados (varianza entre conglomerados,
pequeña).
.Muestreo por unidades monetarias .Este tipo
de muestreo es especifico en auditoría , viene a
solucionar el problema que plantea la selección
aleatoria de partidas contables que no tienen
(evidentemente) el mismo monto económico y
por ello en un muestreo estrictamente aleatorio
se "primaría" la inspección de las numerosas
partidas pequeñas irrelevantes dejando sin
inspección las importantes y cuantiosas.
No probabilísticos
Muestreo por cuotas: También denominado en
ocasiones "accidental". Se asienta
generalmente sobre la base de un buen
conocimiento de los estratos de la población y/o
de los individuos más "representativos" o
"adecuados" para los fines de la investigación.
Mantiene, por tanto, semejanzas con el
muestreo aleatorio estratificado, pero no tiene el
carácter de aleatoriedad de aquél.
Muestreo intencional o de conveniencia: Este
tipo de muestreo se caracteriza por un esfuerzo
deliberado de obtener muestras
"representativas" mediante la inclusión en la
muestra de grupos supuestamente típicos. Es
muy frecuente su utilización en sondeos
preelectorales de zonas que en anteriores
votaciones han marcado tendencias de voto.
Bola de nieve: Se localiza a algunos individuos,
los cuales conducen a otros, y estos a otros, y
así hasta conseguir una muestra suficiente.
Este tipo se emplea muy frecuentemente
cuando se hacen estudios con poblaciones
 4

"marginales", delincuentes, sectas, • Recuerda que la proporción poblacional es la

determinados tipos de enfermos, etc. media µ de la distribución de probabilidad
que tiene
Muestreo Discrecional: A criterio del
investigador los elementos son elegidos sobre • La desviación estándar de la distancia. de
lo que él cree que pueden aportar al estudio. [2] probabilidad es:

   (1   ) (e.g., 0.50 when   0.50)

C. ESTIMACION

• El error estándar de la proporción muestral es:

¿Cómo podemos utilizar la muestra para  ˆ   / n   (1   ) / n

estimar valores de los parámetros
[3]
poblacionales?

Estimación puntual: Una única estadística que

es la mejor suposición para el valor del D. PRUEBA DE HIPOTESIS
parámetro

Estimación por intervalos: Un intervalo de

números alrededor de la estimación puntual,
que tiene un “nivel de confianza” fijo de
contener el valor del parámetro, llamado
intervalo de confianza.
PROPIEDADES DE BUENOS
ESTIMADORES
Insesgado: Distribuciones muestrales del
estimador se centra alrededor del valor del
parámetro
Eficiente: El error estándar más pequeño
posible, comparado con otros estimadores.
INTERVALOS DE CONFIANZA
Un intervalo de confianza (IC) es un intervalo de
números que se cree contienen el valor del
parámetro. La mayoría de los IC tiene la forma
Estimación puntual ± margen de
error
Otra manera de hacer inferencia es haciendo
una afirmación acerca del valor que el
parámetro de la población bajo estudio puede
tomar. Esta afirmación puede estar basada en
alguna creencia o experiencia pasada que será
contrastada con la evidencia que nosotros
obtengamos a través de la información
contenida en la muestra. Esto es a lo que
llamamos Prueba de Hipótesis.
Una prueba de hipótesis comprende cuatro
componentes principales:
-Hipótesis Nula -Hipótesis Alternativa -
Estadística de Prueba -Región de Rechazo
La Hipótesis Nula, denotada como H0 siempre
especifica un solo valor del parámetro de la
población si la hipótesis es simple o un conjunto
de valores si es compuesta (es lo que queremos
desacreditar)

Con el margen de error basado en la dispersión

de la distribución muestral del estimador
puntual. La Hipótesis Alternativa, denotada como H1 es
la que responde nuestra pregunta, la que se
IC PARA UNA PROPOCIÓN establece en base a la evidencia que tenemos.
(EN UNA DETERMINADA CATEGORÍA) Puede tener cuatro formas:

• Recuerda que la proporción muestral es

una media para variables binarias , donde y
= 1 para una observación en la categoría de
interés, y = 0 de lo contrario
 5

Tamaño de los errores al tomar una decisión

incorrecta en una Prueba de Hipótesis:

Otros estimadores puntuales Existen

alternativas al estimador de máxima verosimilitud. El
uso de métodos bayesianos clásicos de estimación,
que serán comentados en la sección 3.4,
proporciona una serie de estimadores puntuales de
las probabilidades multinomial. Los 2 más
La Región de Rechazo es el conjunto de valores
habituales son los siguientes:
tales que si la prueba estadística cae dentro de
este rango, decidimos rechazar la Hipótesis
Nula

Su localización depende de la forma de la

Hipótesis Alternativa: Si entonces la
región se encuentra en la cola derecha de la Observamos que, a diferencia del estimador de
distribución de la estadística de prueba. máxima verosimilitud pbi, estos estimadores sı
tienen resultados admisibles puesto que si xi = 0,
Si rechazamos la Hipótesis Nula, concluimos entonces:
que “hay suficiente evidencia estadística para
inferir que la hipótesis nula es falsa”

Si no rechazamos la Hipótesis Nula, concluimos

que “no hay suficiente evidencia estadística [5]
para inferir que la hipótesis nula es falsa”

La Estadística de Prueba es una estadística que

se deriva del estimador puntual del parámetro
que estemos probando y en ella basamos F. ESTIMADOR INSESGADO
nuestra decisión acerca de si rechazar o no
rechazar la Hipótesis Nula. [4]

E. METODO CLASICO DE ESTIMACION Estimador: Es un estadístico que intenta

PUNTUAL
El estimador puntual más empleado es el de
máxima verosimilitud. Dada una muestra
multinomial
x = [x1,. . ., xk], siendo n = x1 + · · · + xk, la
verosimilitud de los parámetros tiene la
siguiente expresión:
Los valores de p1,. . . , pk que maximizan el
valor de esta función y por tanto los estimadores de
máxima verosimilitud pb1, . . . , pbk de las
probabilidades multinomial son:
predecir el valor de algún parámetro de cierta
población. Es decir, se requiere generalizar el
resultado obtenido de la muestra para toda
población.
Por ejemplo, si se desea conocer el precio
medio poblacional de un artículo (parámetro
desconocido) se recogen observaciones del
precio de dicho artículo en diversos
establecimientos (muestra) pudiendo utilizarse
la media aritmética de las observaciones para
estimar el precio medio poblacional.
Insesgado: Un estimador es Insesgado si la
media de su distribución es igual al parámetro
de su población. Es decir, se trata de una media
de las medias.

La razón de buscar un estimador Insesgado es
que el parámetro que deseamos estimar esté
bien estimado. Es decir, si queremos estimar la
media de goles por partido de determinado
jugador de fútbol, hemos de utilizar una fórmula
que nos proporcione un valor lo más
aproximado posible al valor real.
[6]
G. INTERVALOS DE CONFIANZA
Cuando se obtiene una estimación puntual de
un parámetro, es conveniente acompañar dicha
estimación por una “medida” de la precisión de
la estimación. Un modo de hacerlo es informar
el estimador y su error estándar. Otro modo es
reemplazar la estimación puntual por un
intervalo de valores posibles para el parámetro.
[7]
El proceso de inferencia es aquel mediante el
cual se pretende estimar el valor de un
parámetro a partir del valor de un estadístico.
6
Esta estimación puede ser puntual o bien por
intervalo. La mejor estimación puntual de un
parámetro es simplemente el valor del
estadístico correspondiente, pero es poco
informativa porque la probabilidad de no dar con
el valor correcto es muy elevada, es por eso
que se acostumbra a dar una estimación por
intervalo, en el que se espera encontrar el valor
del parámetro con una elevada probabilidad.
Esta estimación recibe el nombre de estimación
mediante intervalos de confianza. La estimación
por intervalos de confianza consiste en
determinar un posible rango de valores o
intervalo (a; b), en el que, con una determinada
probabilidad, sus límites contendrán el valor del
parámetro poblacional que andamos buscando.
Para cada muestra obtendremos un intervalo
distinto que, para el X % de ellas, contendrá el
verdadero valor del parámetro. A este intervalo
se le denomina intervalo de confianza.
Evidentemente esta técnica no tiene por qué dar
siempre un resultado correcto, tal y como
hemos comentado para algunas muestras el
intervalo correspondiente contendrá el
verdadero valor del parámetro y para otras no.
A la probabilidad de que hayamos acertado al
decir que el intervalo contiene al parámetro se
la denomina nivel de confianza (o simplemente
confianza). También se denomina nivel de
significación a la probabilidad de errar en esta
afirmación, es decir la significación (probabilidad
de errar con nuestro intervalo) será igual a 1-
(nivel de confianza), ya que el nivel de
confianza corresponde a la probabilidad de que
el intervalo contenga el valor verdadero del
parámetro.
Ejemplo:
Supongamos que tenemos una m.a. X X X n
, ,..., 1 2 de una distribución ( , ) 2 N µ σ o
con varianza 2 σ o conocida. Por ser los
datos normales, sabemos que:
 7

Y, por lo tanto, sabemos que la https://prezi.com/z2nhemvvlopy/metodo-

probabilidad de que clasico-de-estimacion-puntual/

[6] S. De la Fuente (2019, Marzo 25).

Estimadores. [Online] Available:
Se encuentre entre –1.96 y 1.96 es 0.95, es http://www.fuenterrebollo.com/Aeronauti
decir: ca2016/estimadores.pdf

[7] A. García (2019, Marzo 25). Inferencia

estadística (intervalos de confianza y p-
valor). Comparación de dos poblaciones
(test t de comparación de medias,
comparación de dos proporciones,
comparación de dos varianzas). [Online]
Available:
https://www.uv.es/~mamtnez/IECRC.pdf

Inferencia
[8] A. Bianco (2019, Marzo 25).
estadística – Intervalos de confianza.
[Online] Available:
[8]
http://www.dm.uba.ar/materias/probabilid
ades_estadistica_C/2005/1/PyEC014.pdf

REFERENCIAS

[1] I. Mtnez. (2011). Introducción a la inferencia

estadística. [Online] Available:
http://ocw.uv.es/ciencias-sociales-y-
juridicas/inferencia/mats02.pdf

[2] (2019, Marzo 25). Muestreo. [Online]

Available:
http://www.estadistica.mat.uson.mx/Mate
rial/elmuestreo.pdf

[3] (2019, Marzo 25). Tema 7. Muestreo.

[Online] Available:
https://www.ugr.es/~bioestad/_private/Te
ma_7.pdf

[4] V. Rohen (2019, Marzo 25). Pruebas de

Hipótesis. [Online] Available:
http://lcolladotor.github.io/courses/Course
s/MEyAdDG/day2/Pruebas%20de%20Hip%
C3%B3tesis.pdf

[5] P. Rodríguez (2015, Marzo 13). Método

clásico de estimación puntual. [Online]
Available: