You are on page 1of 3

Estadística Inferencial

1. 1. ESTADISTICA INFERENCIAL WILLIAN DELGADO C.I 22,333,432


2. 2. Estadística Inferencial Es la parte de la estadística matemática que comprende el
estudio de los métodos y procedimientos para la obtención del modelo de
probabilidad (forma funcional y parámetros que determinan la función de
distribución) que sigue una variable aleatoria de una determinada población, a
través de una muestra (parte de la población) obtenida de la misma para sacar
conclusiones generales. La estadística inferencial comprende como aspectos
importantes: • La toma de muestras o muestreo. • La estimación de parámetros o
variables estadísticas. • El contraste de hipótesis. • El diseño experimental. • La
inferencia bayesiana. • Los métodos no paramétricos
3. 3. Muestreo Probabilístico Consiste en elegir una muestra de una población al azar.
Podemos distinguir varios tipos de muestreo: • Muestreo Aleatorio Simple Para
obtener una muestra, se numeran los elementos de la población y se seleccionan al
azar los n elementos que contiene la muestra. • Muestreo Aleatorio Sistemático Se
elige un individuo al azar y a partir de él, a intervalos constantes, se eligen los
demás hasta completar la muestra. • Muestreo Aleatorio Estratificado Se divide la
población en clases o estratos y se escoge, aleatoriamente, un número de individuos
de cada estrato proporcional al número de componentes de cada estrato.
4. 4. Teorema Central del Límite Si una población tiene media μ y desviación típica σ,
y tomamos muestras de tamaño n (n>30, ó cualquier tamaño si la población es
"normal"), las medias de estas muestras siguen aproximadamente la distribución: 푁
휇: 휎 푛
5. 5. Estimación de Parámetros Es el procedimiento utilizado para conocer las
características de un parámetro poblacional, a partir del conocimiento de la muestra.
Con una muestra aleatoria, de tamaño n, podemos efectuar una estimación de un
valor de un parámetro de la población; pero también necesitamos precisar un: •
Intervalo de confianza Se llama así a un intervalo en el que sabemos que está un
parámetro, con un nivel de confianza específico. • Nivel de confianza Probabilidad
de que el parámetro a estimar se encuentre en el intervalo de confianza. El nivel de
confianza (p) se designa mediante 1 − α. • Error de estimación admisible Que estará
relacionado con el radio del intervalo de confianza.
6. 6. Ejemplos de Estadística Inferencial Aquí presentamos 3 ejemplo donde se aplica
la Estadística Inferencial: • Una encuesta desarrollada por una empresa en marzo del
2010, dice que el rating de radio en Madrid esta encabezado por OC con un 10,5%
seguido de RNE con 9,18% • De acuerdo con una encuesta desarrollada por una
empresa sobre telefonía residencial en el 2009, el gasto mensual promedia por
cliente es de 90,30 euros por cliente. • El INI informó que la Encuesta Permanente
de Hogares del mes de marzo 2010 reporto la tasa más alta de desempleo que
ascendió al 20% a nivel nacional.
7. 7. En cierta cadena de centros comerciales trabajan 150 personas en el departamento
de personal, 450 en el departamento de ventas, 200 en el departamento de
contabilidad y 100 departamento de atención al cliente. Con objeto de realizar una
encuesta laboral, se quiere seleccionar una muestra de 180 trabajadores. Se utiliza
un muestreo aleatorio estratificado, ya que queremos que haya representantes de
cada uno de los departamentos. Entonces el muestro es: 푁 = 150 + 450 + 200 + 100
= 900 180 900 = 푥1 150 180 900 = 푥4 100 180 900 = 푥2 450 180 900 = 푥3 200
Ejemplos de Estadística Inferencial X1= 30 de personal X2= 90 de Ventas X3= 40
de Contabilidad X4= 20 de atención de Clientes Según los resultado se
seleccionaría los 180 trabajadores de los diferentes departamento de las empresa .
8. 8. Distribución de Probabilidad Es una función que asigna a cada suceso definido
sobre la variable aleatoria, la probabilidad de que dicho suceso ocurra. La
distribución de probabilidad está definida sobre el conjunto de todos los sucesos,
cada uno de los sucesos es el rango de valores de la variable aleatoria. Dada una
variable aleatoria X, su función de distribución, FX(x), es 퐹푥 푥 = 푃푟표푏 푋 ≤
푥 = 휇푝{휔 ∈ Ω|푋(휔) ≤ 푥} Por simplicidad, cuando no hay lugar a confusión,
suele omitirse el subíndice scriptstyle X y se escribe, simplemente, F(x). Donde en
la fórmula anterior: 푷풓풐풃, es la probabilidad definida sobre un espacio de
probabilidad y una medida unitaria sobre el espacio muestral. 흁풑, es la medida
sobre la σ-álgebra de conjuntos asociada al espacio de probabilidad. Ω, es el espacio
muestral X: Ω →R , es la variable aleatoria en cuestión
9. 9. Distribución Variable Aleatoria Discreta Se denomina distribución de variable
discreta a aquella cuya función de probabilidad sólo toma valores positivos en un
conjunto de valores de X finito o infinito numerable. A dicha función se le llama
función de masa de probabilidad. En este caso la distribución de probabilidad es la
suma de la función de masa, por lo que tenemos entonces que: 퐹 푥 = 푃 푋 ≤ 푥 =
푥 푘=−∞ 푓(푘) Y, tal como corresponde a la definición de distribución de
probabilidad, esta expresión representa la suma de todas las probabilidades -∞ desde
hasta el valor X.
10. 10. Distribución Variable Aleatoria Continua Se denomina variable continua a
aquella que puede tomar cualquiera de los infinitos valores existentes dentro de un
intervalo. En el caso de variable continua la distribución de probabilidad es la
integral de la función de densidad, por lo que tenemos entonces que: 퐹(푥) = 푃 푋
≤ 푥 = 푥 푓 푡 푑푡 −∝
11. 11. Distribución t de Student Es una distribución de probabilidad que surge del
problema de estimar la media de una población normalmente distribuida cuando el
tamaño de la muestra es pequeño. La distribución t de Student es la distribución de
probabilidad del cociente 푍 푉 푣 donde • Z tiene una lateral de media nula y
mediana 1 • x tiene una distribución bilateral con 푣 grados de confianza • o y z son
independientes 푍+휇 Si μ es una constante no nula, el cociente 푉 푉 es una
variable aleatoria que sigue la distribución t de Student no central con parámetro de
no-centralidad 휇.
12. 12. Distribución F de Ficher Es una distribución de probabilidad continua. También
se le conoce como distribución F de Snedecor (por George Snedecor) o como
distribución F de Fisher-Snedecor. Una variable aleatoria de distribución F se
construye como el siguiente cociente: 퐹 = 푈1/푑1 푈2/푑2 donde • U1 y U2
siguen una distribución chi-cuadrado con d1 y d2 grados de libertad
respectivamente • U1 y U2 son estadísticamente independientes. La distribución F
aparece frecuentemente como la distribución nula de una prueba estadística,
especialmente en el análisis de varianza. Véase el test F.