Universidad de Guayaquil

Facultad de Ciencias Matemáticas y Físicas

Carrera de Ingeniería en Tecnología de la Información

Asignatura: Estadística II
Curso: Ma-4-1
Autor:.
• Sr. Ruiz Zambrano Julio Fernando

Docente: Ing. Ingrid Giraldo Martínez, MSc.

TAREA INDIVIDUAL

Investigar qué es la inferencia de medias y cuáles son las condiciones para poder realizarla.

La inferencia de medias es el conjunto de métodos y técnicas que permiten inducir, a partir de

la información empírica proporcionada por una muestra, cual es el comportamiento de una
determinada población con un riesgo de error medible en términos de probabilidad.

Condiciones para la inferencia en una media:

Para hacer inferencias en una media o el hecho de construir un intervalo de confianza o hacer
una prueba de significancia y la exactitud de estos métodos dependen de algunas condiciones
que son las siguientes:

1. Condición de aleatoriedad:

Las muestras aleatorias nos dan datos no sesgados de una población. Cuando no usamos la
selección aleatoria, los datos resultantes generalmente tienen algún tipo de sesgo, así que
usarlos para inferir algo acerca de la población puede ser riesgoso y esto no necesariamente
ocurrirá si usamos una muestra que no sea aleatoria también a las muestras sesgadas conducen
a resultados inexactos, por lo que no se deben usar para crear intervalos de confianza o realizar
pruebas de significancia.

2. Condición de normalidad:

La distribución muestral de 𝑥̅ o media es aproximadamente normal en algunos casos diferentes.

La forma de la distribución muestral de 𝑥̅ depende sobre todo de la forma de la población padre
y del tamaño de la muestra, 𝑛.
Caso 1: La población padre se distribuye normalmente

Si la población padre se distribuye normalmente, entonces la distribución muestral de 𝑥̅ es

aproximadamente normal, independientemente del tamaño de la muestra. por lo que si
sabemos que la población padre se distribuye normalmente, pasamos esta condición, incluso si
el tamaño de muestra es pequeño.

Caso 2: La población padre es desconocida o no normal; el tamaño de la muestra es grande (𝑛 ≥

30)
La distribución muestral de 𝑥̅ es aproximadamente normal siempre que el tamaño de la muestra
sea razonablemente grande. Debido al teorema del límite central, cuando 𝑛 ≥ 30, podemos
tratar la distribución muestral de 𝑥̅ como aproximadamente normal independientemente de la
forma de la población padre.

Caso 3: La población padre es desconocida o no normal; el tamaño de la muestra es pequeño

(𝑛 < 30)

Siempre que la población padre no tenga valores atípicos o una fuerte asimetría, incluso las
muestras más pequeñas van a producir una distribución muestral de 𝑥̅ que es aproximadamente
normal.

La idea principal es que necesitamos graficar los datos de la muestra cuando 𝑛 < 30, y entonces
tomar una decisión acerca de la condición de normalidad con base en la apariencia de los datos
muestrales.

3. La condición de independencia:

Para usar la fórmula para la desviación estándar de 𝑥̅ , necesitamos que las observaciones
individuales sean independientes. En un experimento, un buen diseño normalmente se encarga
de la independencia entre los sujetos (diferentes tratamientos, control, aleatorización).

Suponer independencia entre las observaciones nos permite utilizar esta fórmula para la
desviación estándar de 𝑥̅ cuando hacemos intervalos de confianza o pruebas de significancia:
𝜎
𝜎𝑥̅ =
√𝑛
Por lo general no se conoce la desviación estándar de la población, 𝜎, por lo que sustituimos la
desviación estándar de la muestra, 𝑆𝑥 , como una estimación de 𝜎. Cuando hacemos esto, lo
llamamos el error estándar de 𝑥̅ para distinguirlo de la desviación estándar y para ello la fórmula
sería:
𝑆𝑥
𝜎𝑥̅ ≈
√𝑛