UNIVERSIDAD NACIONAL

“SANTIAGO ANTÚNEZ DE MAYOLO”

FACULTAD DE CIENCIAS DEL AMBIENTE

ESCUELA PROFESIONAL DE INGENIERIA AMBIENTAL

“ESTADÍSTICA INFERENCIAL”

Curso:

Métodos de Investigación

Presentado por:

VELÁSQUEZ OCROSPOMA, Jean

Docente:

SERNA ROMAN, Arnulfo

Semestre académico:

2020-1

Huaraz – Perú – 2020

ESTADÍSTICA INFERENCIAL
Introducción:
También se le llama Inferencia Estadística, pero previamente recordemos que la
Estadística (EI) comprende el conjunto de métodos estadísticos que permiten
deducir (inferir) cómo se distribuye la población bajo estudio a partir de la
información que proporciona una muestra representativa, obtenida de dicha
población.
Para que la Estadística Inferencial proporcione buenos resultados debe:
 Basarse en una técnica estadístico-matemática adecuada al problema y
suficientemente validada.
 Utilizar una muestra que realmente sea representativa de la población y de
un tamaño suficiente.
Para iniciarse en el estudio y aplicación de la Estadística Inferencial es necesario
conocer los conceptos básicos que a continuación se van a tratar.
1. Población
Este concepto vamos a definir bajo diferentes enfoques. En investigación
científica se le define como la totalidad de elementos sobre los cuales recae la
investigación. A cada elemento se le llama unidad estadística, ésta se le observa
o se le somete a una experimentación, estas unidades son medidas
pertinentemente.
Si representamos mediante, X, una variable aleatoria bajo investigación, al
estudiar a esta variable en la población, como resultado tendremos los valores:
X1 , X2 , X3 , X4 , … , XN
Donde N es el total de elementos de la población.
2. Muestra
Sierra Bravo (1991) anota que: “Una muestra en general, es toda parte
representativa de la población, cuyas características debe reproducir en pequeño
lo más exactamente posible.”
Para que sea representativa se debe seleccionar empleando el muestreo, tópico
importante de la Estadística, con la finalidad de que los resultados de esta
muestra sean válidos para la población de la que sea obtenido la muestra. Esta
generalización se realiza empleando la estadística inferencial.
3. Muestra aleatoria
Una muestra aleatoria de tamaño n de la función de distribución de la variable
aleatoria X es una colección de n variables aleatorias independientes
X 1 , X 2 , X 3 , X 4 , … , X n, cada una con la misma función de distribución de la
variable aleatoria X.
4. Muestra aleatoria aplicada
Una muestra aleatoria de tamaño n es un conjunto de n observaciones
x 1 , x 2 , x 3 , x 4 , … , x n sobre las variables X 1 , X 2 , X 3 , X 4 , … , X n independientes e
idénticamente distribuidas.
5. Parámetro
Sierra Bravo (1991) indica que parámetro deriva del vocablo griego
“parámetreo” que significa medir una cosa con otra:
En estadística se refiere a los valores o medidas que caracterizan una
población como por ejemplo la media y la desviación típica de una
población (…) Son cantidades indeterminadas constantes o fijas respecto a
una condición o situación que caracteriza a un fenómeno en un momento
dado que ocurre en una población.
Se suele representar a un parámetro mediante letras griegas, por ejemplo, la
media poblacional se representa mediante μ x y se lee como media poblacional de

la variable aleatoria X, la varianza poblacional se representa mediante σ 2x y se lee

como varianza poblacional de la variable aleatoria X.
En términos prácticos un parámetro es un valor que resulta al emplear los
valores que se obtiene de una población.
6. Estadístico
Se contrapone al parámetro, porque es un valor que se obtiene a partir de los
valores muestrales, se puede obtener media y varianzas muéstrales, por ejemplo.
Los estadísticos son variables aleatorias porque están sujetos a la fluctuación de
la muestra en relación al valor poblacional que se asume es constante.
7. Distribución muestral
Sierra Bravo (1991) anota que la distribución muestral:
Está formada por estadísticos o valores determinados obtenidos de
muestras: medias, varianzas, etc., acompañados de sus respectivas
frecuencias relativas o probabilidades, o de la proporción de veces que se
 repiten en el conjunto de todas las muestras posibles del mismo tamaño
obtenidas de la población.
De manera más formal, Tsokos y Milton (1998) anotan que: “(…) la distribución
de probabilidad del estadístico se llama distribución muestral.”
8.1. Media muestral
Propiedades de la media muestral
Si X es una variable aleatoria con esperanza o media poblacional µ y
varianza poblacional σ 2, entonces la media muestral, x́ tiene las
siguientes propiedades:
a. E ( x́ )=μ
b. V ( x́ )=σ 2 /n
c. La desviación estándar de x́, que se representa mediante σ x́ ,
conocida también como error estándar de la media muestral
es igual a σ / √ n
d. Sea X 1 , X 2 , X 3 , X 4 , … , X n una muestra aleatoria de tamaño n,
de una distribución con media poblacional µ y varianza
poblacional σ 2 . Entonces para n grande, la variable aleatoria:
x́−μ
σ /√n
Se distribuye aproximadamente como una normal estandarizada
N (1,0). Se considera una buena aproximación cuando n ≥ 30
(Teorema del Límite Central). De este modo, incluso aún cuando la
variable aleatoria X no está normalmente distribuida, podemos
aplicarla en la Inferencia Estadística.

8.2. Varianza muestral

A partir de cada muestra aleatoria de tamaño n de X: x 1 , x 2 , x 3 , x 4 , … , x n
también se puede calcular la varianza muestral, definida como:
n
2 1
S= ∑ ( x i− x́)2
n−1 i=1
Cabe precisar, que algunos autores la llaman cuasivarianza.
Propiedades de la varianza muestral
 Si X es una variable aleatoria con esperanza y varianza µ y σ 2
respectivamente, entonces para la varianza muestral de tamaño n se cumple
que:
a. E ( S2 ) =σ 2
(n−1) S2
b. Si X tiene distribución de probabilidad normal, es una
σ2
variable aleatoria con distribución chi-cuadrado con n−1 grados de
libertad.
8.3. Proporción muestral
Consideremos una población en la que existe una proporción π de elementos
que tienen el atributo A (o pertenecen a la categoría A).
Si se toma una muestra aleatoria de n elementos, de esa población y se
calcula el número n A de elementos con el atributo A, entonces:
nA
p=
n
Es la proporción muestral de los elementos que tienen el atributo A en la
muestra, esta proporción muestral corresponde a una variable aleatoria.
Propiedades de la proporción muestral
E( p)=π
V ( p)=π (1−π )/n
La desviación estándar o error estándar de la proporción muestral, se denota
como σ p y es igual a √ π (1−π )/n
Para n suficientemente grande, la variable aleatoria:
p−π
Z=
√ π (1−π )/n
Se distribuye aproximadamente como una N (1,0) . Se considera una buena
aproximación cuando n ≥ 30 (Teorema del Límite Central).

¿Cuál es la diferencia entre desviación estándar y error estándar?

La diferencia es que la desviación estándar describe la variabilidad de los
valores de una variable, en cambio el error estándar describe la precisión del
estadístico.

8. Estimación
 La Inferencia Estadística se clasifica como: Estimación y Prueba de
Hipótesis de parámetros estadísticos. En ambos casos hay una población
bajo investigación y generalmente al menos un parámetro de esta población,
al que vamos a representar mediante la letra griega θ.
Cuando no se tiene una noción preconcebida sobre el valor de θ, se desea
responder a la pregunta: ¿Cuál es el valor de θ?
En este caso el intentar conocer el valor de θ es en termino estadísticos,
estimar el valor de θ es decir tratar de conocer el valor del parámetro en
términos prácticos.
Sierra Bravo (1991) anota que:
Estimación proviene del latín estimatio y significa estimación,
precio y valor que se da a una cosa. En estadística es la operación
que mediante la inferencia un parámetro, utilizando datos
incompletos procedentes de una muestra, se trata de determinar el
valor del parámetro. Pero los valores de la muestra están sujetos
al error muestral esto es a las fluctuaciones de la muestra.
La estimación de un parámetro puede ser, mediante una:
 Estimación puntual.
 Estimación mediante intervalos de confianza.
Para cualquiera de estas dos situaciones empleamos el estadístico que como
ya se ha mencionado es una variable aleatoria.
La aproximación se hace utilizando estadísticos apropiados. A un estadístico
empleado para aproximar o estimar un parámetro de la población θ se le
llama estimador puntual de θ y se denota mediante θ^ . De este modo por
ejemplo, al estimador de la media µ, se le denotara por ^μ. Una vez que la
muestra ha sido tomada y se han hecho algunas observaciones, se puede
obtener el valor numérico del estadístico θ^ . A tal número se le denomina
una estimación puntual de θ. Nótese que hay una diferencia entre los
términos estimador y estimación.

9. Prueba de hipótesis
Proceso mediante el cual, a partir de los valores de una muestra aleatoria se
decide si se rechaza o no el supuesto que plantea el investigador para el
 parámetro o parámetros de la población o poblaciones bajo estudio, pero
con cierta probabilidad de error (riesgo) por tomar una decisión.

Conclusión
Entonces la Estadística es la herramienta que ayuda a tener la seguridad,
certeza y confianza de que los datos recogidos responden a la realidad que
se pretende investigar, en términos de Estadística Aplicada.
Una vez establecido el objeto de estudio en base a los conocimientos
teóricos, se inicia la etapa de Diseño Metodológico (Diseño), donde se
define el proceso de recolección de datos, delimitando las unidades bajo
estudio y las variables a medirse, que permitan contestar las preguntas
formuladas, en el proyecto de investigación científica. Es indudable que, la
Estadística es una poderosa herramienta para planificar y desarrollar el
Diseño Metodológico.

Bibliografía
Nolberto Sifuentes, V. A., & Estela, P. A. (2008). ESTADÍSTICA INFERENCIAL APLICADA.
Obtenido de
https://edgarmartinlarosa.files.wordpress.com/2013/07/est_inf_aplicada.pdf

Sierra Bravo, R. (1991). Diccionario práctico de estadística y técnicas de investigación científica.

Madrid: Paraninfo.