Departamento de Matemática

Profesora Marcela Guerra Castro

Guía Contenido 4: Estadística Inferencial

IV medio

Nombre:

Estadística inferencial
Es aquella rama de la estadística que estudia las técnicas que permiten generalizar las conclusiones obtenidas en los
datos experimentales. Comprende técnicas con las que se toman decisiones sobre una población o proceso estadístico a
partir de una muestra sometida a observación. Dado que estas decisiones se toman en condiciones de incertidumbre,
suponen el uso de conceptos de probabilidad

Concepto que debemos recordar

Muestra
La muestra es un subconjunto de la población.

Muestreo
Es la elección azarosa o intencionada de elementos de la población.

Muestreo Aleatorio Simple

Es aquel en que todas las muestras (o cada elemento de la población) tienen la misma probabilidad de ser
seleccionadas. Estas consisten en extraer de una población finita de 𝑁 unidades, subpoblaciones de un tamaño fijado
previamente. Si todas las unidades son distintas, la forma de extraer muestras de tamaño 𝑛 será dado tres casos.
1. Muestreo sin Orden
2. Muestreo con Reposición
3. Muestreo sin Reposición

1. Muestreo Sin Orden

Para determinar el número de subconjuntos de un conjunto dado, e el cuál no importe el orden de los elementos, se
debe usar combinatoria.
Por ejemplo, si la población contiene 5 unidades A, B, C, D, E; existen 10 muestras diferentes de tamaño 3, que
son:
ABC, ABD, ABE, ACD, ACE, ADE, BCD, BCE, BDE. CDE
𝑁
( ) = 𝐶𝑛𝑁
𝑛
5 5!
( ) = 𝐶35 =
3 3! (5 − 3)!
5
( ) = 10
3
2. Muestreo Con Reposición
En el muestreo con reposición, el elemento seleccionado en cada extracción vuelve a ser incluido en la población
antes de extraer el siguiente elemento. En este tipo de muestreo, un elemento de la población puede aparecer más de
una vez en la muestra. Para determinar el número de muestras se utiliza principio multiplicativo de técnicas de
conteo, donde se considera el orden.
Por ejemplo, si la población contiene 3 unidades A, B, C; existen 9 muestras diferentes de tamaño 2, que son:

32 = 9
Escribe las muestras:
1
 Departamento de Matemática
Profesora Marcela Guerra Castro

3. Muestreo Sin Reposición

En este tipo de muestreo, el elemento extraído de la población queda descartado de cara a la siguiente extracción. Es
decir, un elemento sólo puede aparecer una vez en la muestra. Para determinar el número de muestras se utiliza
principio multiplicativo de técnicas de conteo, donde se considera el orden. Es decir una Variación.

Por ejemplo, si la población contiene 3 unidades A, B, C; existen 6 muestras diferentes de tamaño 2, que son:

𝑉𝑛𝑁
3!
𝑉23 =
(3 − 2)!
3
𝑉2 = 6

Escribe las muestras:

Media de las muestras y su relación con la media de una población

La media de una población (𝝁) se puede estimar a partir de la media de las muestras (𝒙̅𝒊 ) donde 𝑖 toma valores desde
1 hasta el número total de muestras 𝑘 obtenidas de tamaño n, extraídas de la población, con reemplazo o sin reemplazo,
con orden o sin orden. Para determinar la media poblacional, se utiliza la expresión:

Error Muestral
El error muestral se refiere a la variación natural existente entre muestras tomadas de la misma población. Cuando una
muestra no es una copia exacta de la población, aún si se ha tenido cuidado para asegurar que dos muestras del mismo
tamaño sean representativas de una cierta población, no esperaríamos que las dos sean idénticas en todos sus detalles. El
error muestral es un concepto importante que ayudará a entender mejor la naturaleza de la estadística inferencial.

El error de la muestra 𝑖, se denomina 𝑒𝑖 y es la diferencia entre la media de la población y la media de la muestra 𝑖, que
se determina según la expresión:

OBSERVACIÓN
• El error muestral puede ser positivo o negativo.
• La suma de todos los errores muestrales es cero.
• A medida que el tamaño de la muestra crece, el error tiende a disminuir, ya que el tamaño de la muestra se
acerca al tamaño de la población.

Coeficiente de Variación
Recordemos que es la desviación estándar (𝜎)
𝑁
1
𝜎 = √ ∙ ∑(𝑥𝑖 − 𝑥̅ )2
𝑛
𝑖=1

Y determina el grado de homogeneidad o heterogeneidad de una muestra. Mientras más disperso, mayor es el valor
de la desviación, es decir menos homogéneo es el grupo de estudio.
2
 Departamento de Matemática
Profesora Marcela Guerra Castro

El coeficiente de variación se define como la razón que existe entre la desviación estándar y la media poblacional.

𝜎
𝐶𝑉 =
𝜇

Observación:
- Si el 𝐶𝑉 ≤ 5% 𝑜 𝑏𝑖𝑒𝑛 𝐶𝑉 ≤ 0,05 los datos son muy homogéneos
- Si el 5% < 𝐶𝑉 ≤ 25% 𝑜 𝑏𝑖𝑒𝑛 0,05 < 𝐶𝑉 ≤ 0,25 los datos son homogéneos
- Si el 25% < 𝐶𝑉 ≤ 50% 𝑜 𝑏𝑖𝑒𝑛 0,25 < 𝐶𝑉 ≤ 0,5 los datos son heterogéneos

Variable aleatoria
Sea 𝛀 un espacio muestral, se dice que 𝑿 es una variable aleatoria una función de valor real definida sobre 𝛀. De
manera que transforma los resultados de Ω en valores reales.

Ω = {suc1 , suc2 suc3 … sucn }

𝑿∶ Ω → ℝ
𝑠𝑢𝑐𝑒𝑠𝑜 ↝ 𝑋(𝑠𝑢𝑐𝑒𝑠𝑜)

Es decir
𝑿∶ Ω → ℝ
𝑠𝑢𝑐1 ↝ 𝑋(𝑠𝑢𝑐1 )
𝑠𝑢𝑐2 ↝ 𝑋(𝑠𝑢𝑐2 )
𝑠𝑢𝑐3 ↝ 𝑋(𝑠𝑢𝑐3 )
....
𝑠𝑢𝑐𝑛 ↝ 𝑋(𝑠𝑢𝑐𝑛 )

Una variable aleatoria puede ser:

- Discreta: Solo toma valores en ℕ
𝑿∶ 𝛀 → ℕ

- Continua: Toma valores en ℝ

𝑿∶ 𝛀 → ℝ

Ejemplos
1. Experimento aleatorio: “Lanzar una moneda”
Ω = {𝑐, 𝑠}

Se define la variable aleatoria como “el número sellos obtenidos”

𝑿∶ Ω → ℕ
𝑐 ↝ 𝑋(𝑐) = 0
𝑠 ↝ 𝑋(𝑠) = 1

3
 Departamento de Matemática
Profesora Marcela Guerra Castro

2. E.A= “Lanzar un dado”

Se define la variable aleatoria como “el número puntos obtenidos”

3. E.A=“Lanzar dos dados”

Ω = {(1,1), (2,1), … , (6,1)}
(1,2), (2,2), … , (6,2)
…
(1,6), (2,6), … , (6,6)

Variable aleatoria: “Suma de los puntos en las caras superiores”

4. E.A=Lanzar 3 monedas
Ω = {(𝑐, 𝑐, 𝑐), (𝑐, 𝑐, 𝑠), (𝑐, 𝑠, 𝑐), (𝑠, 𝑐, 𝑐), (𝑠, 𝑠, 𝑐), (𝑠, 𝑐, 𝑠), (𝑐, 𝑠, 𝑠), (𝑠, 𝑠, 𝑠)}

Variable aleatoria: “Número de caras”

Función Probabilidad para variable aleatoria discreta

Una función asociada una variable aleatoria, y corresponde a una relación que hay entre el conjunto de las imágenes de
la variable aleatoria y un intervalo real [0,1].

Sea un experimento aleatorio E y una variable aleatoria finita 𝑿 ∶ Ω → ℝ. Donde el conjunto de las imágenes de la v.a.
son:
𝐼𝑚(𝑋) = {𝑥1 , 𝑥2 , … 𝑥𝑛 }

Se define la función de probabilidad asociada a una variable aleatoria 𝑿 como

𝒇 ∶ Im(𝑿) → [0,1]

Es decir:
𝑿∶ Ω → ℝ 𝒇 ∶ Im(𝑿) → [0,1]
𝑠𝑢𝑐1 ↝ 𝑋(𝑠𝑢𝑐1 ) = 𝑥1 𝑥1 ↝ 𝑓(𝑥1 ) = 𝑃(𝑋 = 𝑥1 )
𝑠𝑢𝑐2 ↝ 𝑋(𝑠𝑢𝑐2 ) = 𝑥2 𝑥2 ↝ 𝑓(𝑥2 ) = 𝑃(𝑋 = 𝑥2 )
𝐼𝑚(𝑋)
….. …
𝑠𝑢𝑐𝑛 ↝ 𝑋(𝑠𝑢𝑐𝑛 ) = 𝑥𝑛 𝑥𝑛 ↝ 𝑓(𝑥1 ) = 𝑃(𝑋 = 𝑥𝑛 )

Cada elemento 𝒙𝒊 se le asigna una imagen 𝒇(𝒙𝒊 ) que es la probabilidad de que la variable aleatoria 𝑿 sea 𝒙𝒊 .
𝒙𝒊 𝑷𝒊
𝒙𝟏 𝒑𝟏
𝒙𝟐 𝒑𝟐
… …
𝒙𝒏 𝒑𝒏

Observaciones
- El recorrido de la variable aleatoria es el dominio de la función de probabilidad
4
 Departamento de Matemática
Profesora Marcela Guerra Castro

- El recorrido de la función de probabilidad está en [0,1]

Ejemplos
1. E. A= Lanzar una moneda

𝒙𝒊 𝒇(𝒙𝒊 ) = 𝑷𝒊
𝑿∶ Ω → ℕ
𝟎 𝟏
𝑐 ↝ 𝑋(𝑐) = 0 𝒇(𝟎) = 𝑷(𝑿 = 𝟎) =
𝟐
𝑠 ↝ 𝑋(𝑠) = 1 𝟏 𝟏
𝒇(𝟏) = 𝑷(𝑿 = 𝟏) =
𝟐

2. E.A= Lanzar un dado

𝒙𝒊 𝑷𝒊
𝟏 𝟏
𝒇(𝟏) = 𝑷(𝑿 = 𝟏) =
𝟔
𝟐 𝟏
𝟔
𝟑 𝟏
𝟔
𝟒

3. E.A: Lanzar dos dados

V.A= La suma de 12

4. E.A= Lanzar tres monedas

V.A= Salga Cara

Propiedades
Si 𝑓 es una función de Probabilidad de una variable aleatoria discreta entonces:
i. 𝑓(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ) ≥ 0 𝑖𝜖ℕ
0 ≤ 𝑓(𝑥𝑖 ) ≤ 1
ii. ∑ 𝑓(𝑥𝑖 ) = 1
Es decir, “la suma de todas las funciones suma 1”
𝑓(𝑥1 ) + 𝑓(𝑥2 ) + 𝑓(𝑥3 ) + ⋯ + 𝑓(𝑥𝑛 ) = 1
iii. Si 𝑓 no está definida para un valor 𝑥 se dirá que 𝑓(𝑥) = 0
5
 Departamento de Matemática
Profesora Marcela Guerra Castro

Media o Esperanza de 𝑿
Si 𝑋 es una variable aleatoria discreta cuyos elementos son {𝑥1 , 𝑥2 , 𝑥3 … 𝑥𝑛 } se denomina como esperanza o valor
esperado de 𝑋 y se denota por 𝑬(𝑿) a la cantidad:
𝑛

𝑥1 ∙ 𝑝1 + 𝑥2 ∙ 𝑝2 + 𝑥3 ∙ 𝑝3 … + 𝑥𝑛 ∙ 𝑝𝑛 = ∑ 𝑥𝑖 ∙ 𝑝𝑖
𝑖=1

Cuando los sucesos son equiprobables

𝒏
Es el valor central del
∑ 𝒙𝒊 ∙ 𝒑𝒊 = 𝝁 conjunto de las imágenes
𝒊=𝟏
de 𝑋

Función de Distribución

Varianza de 𝑿 (𝝈𝟐 )
Este valor corresponde a la dispersión de los datos. Medirá como se separa la variable aleatoria con respecto a la media
(que tan disperso puede ser el dato).

𝜎 2 = (𝒙𝟏 − 𝝁)𝟐 𝒑𝟏 + (𝒙𝟐 − 𝝁)𝟐 𝒑𝟐 + (𝒙𝟑 − 𝝁)𝟐 𝒑𝟑 + ⋯ + (𝒙𝒏 − 𝝁)𝟐 𝒑𝒏

𝒏

𝝈 = ∑(𝒙𝒊 − 𝝁)𝟐 ∙ 𝒑𝒊
𝟐

𝒊=𝟏

Es lo mismo que
𝑛 𝑛

∑(𝑥𝑖 − 𝝁)2 ∙ 𝑝𝑖 = ∑(𝑥2𝑖 ∙ 𝑝𝑖 ) − 𝝁𝟐

𝑖=1 𝑖=1
Es decir
𝜎 2 = 𝑬(𝑿𝟐 ) − 𝑬(𝑿)𝟐

Desviación Estándar o Típica (𝝈)

𝜎 = √𝑬(𝑿𝟐 ) − [𝑬(𝑿)]𝟐

6
 Departamento de Matemática
Profesora Marcela Guerra Castro

Ejercicios
1. En una tómbola hay 3 bolitas, 2 verdes y 1 roja. Si se extraen dos de ellas de manera aleatoria y sin reponer
¿cuántas pueden ser verdes?
𝛀 = {(𝑽𝟏 , 𝑽𝟐 ), (𝑽𝟏 , 𝑹), (𝑽𝟐 , 𝑹), (𝑽𝟐 , 𝑽𝟏 ), (𝑹, 𝑽𝟏 ), (𝑹, 𝑽𝟐 )}

𝑿∶ 𝛀 → ℕ
𝑠𝑢𝑐1 = no salga verde
3!
𝒔𝒖𝒄𝟏 ↝ 𝟎
𝑠𝑢𝑐2 =salga 1 verde
𝑉23 = =6 𝒔𝒖𝒄𝟐 ↝ 𝟏
(3 − 2)! 𝑠𝑢𝑐3 = salgan 2 verdes
𝒔𝒖𝒄𝟑 ↝ 𝟐

𝒇 ∶ 𝐈𝐦(𝐗) → [𝟎, 𝟏]
𝟎 ↝ 𝑷[𝑿 = 𝟎] = 𝟎
𝟒 𝟐
𝟏 ↝ 𝑷[𝑿 = 𝟏] = =
𝟔 𝟑
𝟐 𝟏
𝟐 ↝ 𝑷[𝑿 = 𝟐] = =
𝟔 𝟑
Encontremos la media o esperanza
𝟒 𝟐
𝝁=𝟎∙𝟎+𝟏∙ +𝟐∙
𝟔 𝟔
𝟖
𝝁= ̅=𝝁
→ 𝟏, 𝟑
𝟔
̅
𝑬(𝑿) = 𝟏, 𝟑
Encontremos la varianza
𝟐 𝟏
̅)𝟐 ∙ 𝟎 + (𝟏 − 𝟏, 𝟑
𝜎 2 = (𝟎 − 𝟏, 𝟑 ̅)𝟐 ∙ ̅)𝟐 ∙
+ (𝟐 − 𝟏, 𝟑
𝟑 𝟑
𝟐 𝟏
2 ̅) ∙ + (𝟎, 𝟔
𝜎 = 𝟎 + (𝟎, 𝟑 𝟐 ̅) ∙𝟐
𝟑 𝟑
𝟐 𝟐
𝟏 𝟐 𝟐 𝟏
𝜎2 = ( ) ∙ + ( ) ∙
𝟑 𝟑 𝟑 𝟑
𝟐 𝟒 𝟏𝟎
2
𝜎 = + = = 𝟎, ̅̅̅̅̅̅
𝟑𝟕𝟎
𝟗 𝟐𝟕 𝟐𝟕

Y la desviación típica o estándar

𝜎 = √𝟎, ̅̅̅̅̅̅
𝟑𝟕𝟎 = 0,609

2. Si ahora consideras 5 bolitas, 3 son verdes, 2 rojas, y se extraen 3. ¿Cuántas de ellas pueden ser verdes?

3. Calcular la media, la varianza y la desviación estándar o típica de los primeros ejemplos.

7
 Departamento de Matemática
Profesora Marcela Guerra Castro

Función Distribución
Si 𝑋 es una variable aleatoria discreta, la función:
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑓(𝑥𝑖 )
𝑥𝑖 ≤𝑥𝑛

Se dice que la función es una función de distribución acumulada.

Ejemplos
1. Lanzamiento de tres monedas.
V.A= Suceso en que la moneda resulte cara
𝟏
𝐹(0) = 𝑃(𝑋 ≤ 0) = 𝑓(0) =
𝟖
1 3 𝟏
𝐹(1) = 𝑃(𝑋 ≤ 1) = 𝑓(0) + 𝑓(1) = + =
8 8 𝟐
1 3 𝟕
𝐹(2) = 𝑃(𝑋 ≤ 2) = 𝑓(0) + 𝑓(1) + 𝑓(___) = + + =
8 8 𝟖
1 3 3
𝐹( ) = 𝑃(𝑋 ≤ __) = 𝑓(0) + 𝑓(1) + 𝑓(2) + 𝑓(___) = + + + =𝟏
8 8 8

En el caso de variable aleatoria discreta la función de distribución de

probabilidad es una función escalonada.

2. Encontrar la función distribución acumulada de los ejemplos anteriores.

8
 Departamento de Matemática
Profesora Marcela Guerra Castro

Distribución Normal
Muchos fenómenos se ajustan a esta distribución ya que las variables de tipo continua como peso, estatura, farmacología,
medicina, sociológicos.
La distribución normal o gaussiana es aquella en que los datos de una variable continua se concentran alrededor de la
media (𝜇) con cierta desviación estándar (𝜎). Su representación gráfica de este tipo de distribución es la campana de
Gauss. Y permite representar fenómenos de manera probabilística.
Se escribe
𝑵(𝝁, 𝝈)

1 −(𝑥−𝜇)2
𝑓(𝑥) = ∙𝑒 2𝜎2
𝜎√2𝜋
Simétrica con respecto a la
recta 𝒙 = 𝝁

Características:
1. El área bajo la curva es igual a la unidad es decir el área es igual al 100% o a 1.
2. Es simétrica con respecto a 𝒙 = 𝝁, y deja un área igual a 0,5 a la izquierda y otra de 0,5 a la derecha, es decir, hay
una probabilidad del 50% de observar un dato mayor a la media y un 50% de observar un dato menor a la media.
3. Es asintótica al eje de las abscisas, es decir, la curva se acerca lo más posible al eje de las X sin llegar a tocarlo.
4. La media, moda y mediana coinciden.
5. La probabilidad equivale al área encerrada bajo la curva.

Tenemos no solo una distribución normal. Existen infinitas distribuciones normales, tantas como parámetros 𝜇 𝑦 𝜎
podamoes tomar y para eso tomaremos infinitas tablas para cada 𝜇 𝑦 𝜎. Esto se soluciona con la distribución normal
tipificada.

9
 Departamento de Matemática
Profesora Marcela Guerra Castro

Intervalos de distribución
Si una población tiene media 𝝁 y desviación estándar 𝝈, se tiene que

En el intervalo [𝝁 − 𝝈, 𝝁 + 𝝈] el En el intervalo [𝝁 − 𝟐𝝈, 𝝁 + 𝟐𝝈] En el intervalo [𝝁 − 𝟑𝝈, 𝝁 + 𝟑𝝈]

área encerrada es 0,6826 es decir, el área encerrada es 0,9544 es el área encerrada es 0,9973 es
68,26% del total. decir, 95,44% del total. decir, 97,73% del total.

Ejemplo
Sea 𝑿 una variable aleatoria con distribución 𝑵 ~ (𝟏𝟖, 𝟑).

- La probabilidad de que la variable tome valores mayores

que 18 es del 50%
- La probabilidad de que la variable tome valore menores que
18 es del 50 % también

- La probabilidad de que la variable tome valores entre 15 y

21 es de 68,26%
𝑃(15 ≤ 𝑋 ≤ 21) = 68,26%

- La probabilidad de que la variable tome valores 𝑃(𝑋 ≤ 21)

es del
84,13% o 0,8413

- La probabilidad de que la variable tome valores entre 15 y

21 es de 68,26%
𝑃(15 ≤ 𝑋 ≤ 21) = 68,26%

- La probabilidad de que la variable tome valores 𝑃(𝑋 > 24)

es del

2,28% o 0,0228

10
 Departamento de Matemática
Profesora Marcela Guerra Castro

Distribución normal tipificada (Z)

Cuando tenemos distribuciones con parámetros complejos para hacer el cálculo de probabilidades, hacemos que los
parámetros se transformen en (0,1) es decir


Es una distribución normal de parámetros (0,1) y trabajaremos con una tabla de Z.

Ejemplo:
1. La probabilidad de que la variable aleatoria con una distribución de 𝑁(0,1) sea mayor que -1 y menor a 1 es:
𝑃(−1 ≤ 𝑋 ≤ 1) = 68,26%

2. La probabilidad de que la variable aleatoria con una distribución de 𝑁(0,1) sea menor a -1 es:
𝑃(𝑋 ≤ −1) = 15,87%

3. La probabilidad de que la variable aleatoria con una distribución de 𝑁(0,1) sea mayor que -1 y menor a 1 es:
𝑃(3 ≤ 𝑋) =

4. La probabilidad de que la variable aleatoria con una distribución de 𝑁(0,1) sea menor que -1 y mayor a 1 es:
𝑃(𝑋 ≤ −1) 𝑜 𝑃(𝑋 ≥ 1) =

¿Qué pasa en estos casos?

5. La probabilidad de que la variable aleatoria con una distribución de 𝑁(0,1) sea menor a 1,3 es:
𝑃(𝑋 ≤ 1,3) =

6. La probabilidad de que la variable aleatoria con una distribución de 𝑁(0,1) sea mayor que 0,75 es:
𝑃(𝑋 ≥ 0,75) =

Para estos casos se debe utilizar una tabla que veremos a continuación:

11
 Departamento de Matemática
Profesora Marcela Guerra Castro

12
 Departamento de Matemática
Profesora Marcela Guerra Castro

Si nos dan una distribución normal que no tiene parámetros (0,1), debemos tipificar, es decir usar la tabla de Z.
Para tipificar debemos tener una v.a. de parámetros 𝑁(0,1):

𝑥−𝜇
𝑋 ∈ 𝑁(0,1) → 𝑍 =
𝜎

Cuando queremos calcular una probabilidad para X, lo que hacemos es calculara para Z.

Ejemplos
1. Supongamos que queremos calcular la probabilidad de que 𝑋 sea menor o igual a 𝑎

𝑥−𝜇 𝑎−𝜇
𝑃(𝑋 ≤ 𝑎) = 𝑝 ( ≤ )
𝜎 𝜎
𝑎−𝜇
𝑃(𝑋 ≤ 𝑎) = 𝑝 ( 𝑍 ≤ )
𝜎

Utilizando la tabla de Z, podremos calcular la distribución de probabilidades.

2. Sea 𝑋 ∈ 𝑁(2 ; 1,5) y queremos saber cuando 𝑃(𝑋 ≤ 2,5)

Entonces en este caso debemos tipificar es decir normalizar.

𝑋 − 2 2,5 − 2
𝑃( ≤ )
1,5 1,5
2,5 − 2
𝑃 (𝑍 ≤ )
1,5
𝑃(𝑍 ≤ 0,33) = 0,6293

3. Sea la v.a 𝑋: Alturas de los alumnos de una clase tienen una distribución normal 𝑋 ∈ 𝑁(165, 8)
Al escoger un número al azar, calcular:
i. 𝑃(𝑋 ≤ 168)
ii. Calcular la probabilidad que la altura de un niño esté entre 1,66 mt y 1,69 mt
iii. Probabilidad de que la altura sea mayor que 170 cm
iv. Probabilidad que la altura sea menor a 1,63 m
v. Probabilidad que la altura de un niño sea mayor a 162 cm
vi. Probabilidad de que la altura esté entre 164 cm y 167 cm

13