MÉTODOS

EXPERIMENTALES EN
INGENIERÍA QUÍMICA

Ing. Daniel Velasco M.Sc.

Velasco.daniel@correounivalle.edu.co
INFERENCIA
ESTADÍSTICA
 ESTADÍSTICA
Conceptos Básicos Estadística Descriptiva

Población Muestra

PROBABILIDAD
Parámetro Conceptos Básicos Estimador

Distribuciones de Probabilidad

Discretas,
Binomial, Poisson otras Teorema Central del Limite. Continuas, Normal,
exponencial, t de
Student

INFERENCIA
Estimación Prueba de Hipótesis para
una y dos poblaciones
Puntual Por intervalos
 INFERENCIA ESTADÍSTICA
• Utilización del método estadístico
• Recuento o compilación de datos.
• Tabulación y agrupamiento de datos. Representación gráfica.
• Medición de datos.
• Inferencia estadística. Predicción.

• Típicamente se desea estimar algunas características que describan la población

de interés
Estimar los parámetros que caracterizan a la función de probabilidad de la variable aleatoria
en estudio
 ESTIMACION DE PARAMETROS
• Parámetros poblacionales y Estadísticos Muestrales
160
Histograma de la Poblacion Parámetros:
140

120
Media (m)

Frecuencia
100
Varianza(s2)
Datos 80

60
Desv. Est. (s)
(Población de Interés) 40

20 Etc.
0
-4 -2 0 2 4
Clases

Inferencias
Histograma de la Muestra
16

Muestreo 14
12
Estadísticos:

Frecuencia
10
Promedio ( X )
8
6 Varianza muestral(S2)
4

Muestras 2 Desv. Est. muestral(S)

0
-4 -2 0
Clases
2 4 Etc.
 INFERENCIA ESTADÍSTICA
Razonamiento a seguir:
• Pensar como se define la población y la muestra
• Qué tipo de procedimiento utilizar para seleccionar una muestra aleatoria.
• Qué debería calcular para estimar los parámetros de interés. (estadístico)
• Qué función de distribución presentan los estimadores elegidos.
• Cómo validar las estimaciones a partir de la muestra.
Es decir Inferir de la Muestra a la población
 INFERENCIA ESTADÍSTICA
DEFINICION
La inferencia estadística es la forma de tomar decisiones basadas en
probabilidades y presenta dos aspectos:

1. Estimación de parámetros: - Puntual

- Por intervalos
2. Prueba de Hipótesis con respecto a una función elegida como modelo.
 INFERENCIA ESTADÍSTICA
Estimación Puntual
• Una estimación puntual del valor de un parámetro poblacional desconocido
(como puede ser la media “µ“ o la desviación estándar “σ” ), es un número
que se utiliza para aproximar el verdadero valor de dicho parámetro
poblacional.

• Una estimación puntual es el valor de la estadística de la muestra

correspondiente.
 INFERENCIA ESTADÍSTICA
Estimadores puntuales de los parámetros de una población
normal

Sea una muestra aleatoria simple, X1, X2, ...... , Xn de una población con
distribución N(m, s).
n
xi
• Estimador de la media mˆ = x = 
i =1 n

s
La distribución muestral de la media es: x  ( m , )
n
 INFERENCIA ESTADÍSTICA
EJERCICIO
Una empresa eléctrica fabrica focos que tienen una duración que se distribuye
aproximadamente en forma normal, con media 800 horas y desviación estándar de 40
horas.

Encuentre la probabilidad que una

muestra aleatoria de 16 focos
tenga una vida promedio de menos
de 775 horas
 INFERENCIA ESTADÍSTICA
Estimadores puntuales de los parámetros de una
población normal
S s
estima la desviación típica de la media
n n

y se denomina error estándar de la media muestral, por esta razón

se dice que el error estándar de la media mide la variabilidad de la
media en el muestreo.
 INFERENCIA ESTADÍSTICA
Estimadores puntuales de los parámetros de una
población normal

• Estimador de la Varianza es la Varianza muestral

n
( xi − x ) 2
sˆ = s = 
2 2

i =1 (n − 1)
 INFERENCIA ESTADÍSTICA
Estimadores puntuales de los parámetros de una
población normal
Sea X1, X2, ... , Xn , una muestra aleatoria simple de una población X 
N(m, s), entonces la variable aleatoria
n

 (x − x )
i =1
i
2
sigue una ji-cuadrado con n-1
grados de libertad.
s 2
 INFERENCIA ESTADÍSTICA
Estimadores puntuales de los parámetros de una
población normal

Del resultado anterior se deduce que la variable

(n − 1) s 2
sigue una distribución ji-cuadrado con
s 2
n-1 grados de libertad.
 INFERENCIA ESTADÍSTICA
Estimadores Puntuales
Realizada la estimación de un parámetro cabe preguntarse:
• ¿ Es exacta la estimación?
• ¿Es probable que la estimación sea alta o baja?
• ¿Con otra muestra se obtendría el mismo resultado, o bastante diferente?
• La calidad de un procedimiento de estimación ¿mejora bastante si la estadística
de la muestra es menos variable e insesgada a la vez?
 INFERENCIA ESTADÍSTICA
ESTIMACION POR INTERVALOS

El valor del parámetro  no se estima dando un valor puntual ^  , sino por

medio de un intervalo de la forma l    u, donde los valores de los extremos
l, u dependen del valor numérico del estadístico ^ 
. para una muestra en
particular y de su distribución de muestreo.

Partiendo de la distribución de muestreo para ^ , es posible determinar

valores de L,U tales que se cumpla lo siguiente:
 INFERENCIA ESTADÍSTICA
ESTIMACION POR INTERVALOS
P ( L    U ) = 1−

Donde 0 <  < 1

Por lo tanto, se puede garantizar con una probabilidad de 1 -  que
la muestra elegida contendrá el valor verdadero de 
Al intervalo resultante l    u se le conoce como el intervalo de
confianza del 100(1– ) % para el parámetro desconocido 
 INFERENCIA ESTADÍSTICA
ESTIMACION POR INTERVALOS
Ejemplo: Construcción repetida de un intervalo de confianza para la media m:


Si los intervalos de confianza mostrados son del 95%

significa que si se construye un gran número de ellos,
el 95% de ellos contendrá a la media
 INFERENCIA ESTADÍSTICA
ESTIMACION POR INTERVALOS
En la práctica se obtiene solamente una muestra y se calcula con ella un intervalo de
confianza dicho intervalo contiene o no contiene a .
. proposición adecuada es que el intervalo contiene a  “con una confianza” del 95%
La

La longitud del intervalo de confianza (u-l) es una medida de la calidad de la información

obtenida en la muestra, al semi intervalo u- , o -l se le llama Precisión del estimador o
error de estimación.
¿Qué significado tiene un intervalo grande?
¿És deseable que sea grande o que sea pequeño?
¿Qué relación tiene con el valor de 1-?
 INFERENCIA ESTADÍSTICA
ESTIMACION POR INTERVALOS
Intervalo para la Media (Varianza conocida)
1er Caso. Se tiene una población con media desconocida m, pero se supone conocida la
varianza s2.

Toma de una muestra aleatoria (X1,X2,...,XN).

Se calcula el estadístico el cual es un estimador puntual insesgado para la media m
desconocida.
Se obtiene un intervalo de confianza del 100(1- ) % para m si consideramos los siguientes
hechos acerca de la distribución de :
 Intervalo para la Media (Varianza conocida)
1. Si la población es Normal, la distribución de es Normal

2. Si la población no es Normal, el Teorema del límite central nos garantiza una distribución de
aproximadamente normal cuando N →

3. La media de es m ( es insesgado)

4. La varianza de es s2/n

Recordando el Teorema del Límite Central:

Afirma que la media muestral tiene una distribución Normal aunque la población
original no la tenga, siempre y cuando la muestra sea muy grande (de manera
práctica n>30)
 Intervalo para la Media (Varianza conocida)
De acuerdo a lo anterior, podemos suponer que la variable
X −m
Z = Tiene una distribución N(0,1)
s
n

de la figura: P{-z/2  Z  z/2 }=1-.

/2 /2
Con lo cual el intervalo de confianza del 100(1-)%
para la media es

-z/2 z/2 Z 𝜎 𝜎
𝑋ത − 𝑍𝛼 ∗ ≤ 𝝁 ≤ 𝑋ത + 𝑍𝛼 ∗
2 𝑛 2 𝑛