Bioestadistica 2

Distribución normal estándar Si una distribución es simétrica y con forma de campana el 95% se
Ejemplo de la normal estándar (ver clase de ayudantía) encuentra entre ≈ III. '
desu .
Tabla z: variables estándar Icaza para una variable z

Metodología de estandarizar la variable para poder utilizar la tabla Ejercicio 1. Se sabe que la Presión Arterial Diastólica (PAD) de
Una variable aleatoria 𝑋~𝑁 𝜇, 𝜎2 se puede estandarizar
cierta población distribuye Normal(80,144).
"
"" " "" de° "" "

aplicando a cada observación proveniente de 𝑋 la =
E ± 2
80+24=104
transformación |
|
80-24=54
=
𝑧 = 𝑥 − 𝜇/ 𝜎
:
* ± nae
l 80+-12=92
La nueva variable aleatoria 𝑍 tendrá distribución 𝑍~𝑁 0,1 . /
l
8o ± 12
=
68 .
i I
Este valor z se conoce como z-score. En el área de la salud es
,
,
,
ampliamente utilizado para clasificar como sano o enfermo a I I :|

' '
diferentes poblaciones. Por ejemplo, estado nutricional o presión
'
arterial en niños.
564-@0ari-.w 104
• ¿Cuál es la probabilidad de que un sujeto seleccionado al azar
Se calcula para cada edad tenga PAD inferior a 90? pcxcaol
PAY <
90-100-2 )
=
Buscar como funciona el z score en 2 diapos explicadas.
Ejemplo 1: Se generan 300 datos tal que 𝑋 = 𝑃𝑒𝑠𝑜 ~ 𝑁(65, 25) ↳ Plz <
¥2 0/(0/83) → ahora se
4%+9%2+0.7967
=
E
• Se dice que un sujeto es hipertenso si su PAD≥90, ¿cuál es la
pz :X
probabilidad de que un sujeto seleccionado al azar sea
hipertenso? Px : dentro
tabla
de la
.
PAD
• ¿Cuál es el valor de la presión arterial a partir del cual se
encuentra el 10% de los casos más severos (más altos)?
PCXLK) 0.90
=
-0¥ )
PIZLK = 09
Propio peso restar 65 (media de la distribución)
Ahora la media está en 0
Y se divide por la variación estándar va a quedar mas chica la
1
K .
despejar
variabilidad R = 95,36
de PAD
Peso-65/5 ¥280 =
428 →
j.is?Iaoiiw
Inferencia
Estimación e Intervalos de Confianza
Bioestadística
Paola Viviani
Angélica Domínguez facultadmedicina.uc.cl
Tabla de Contenidos
1. Estimación puntual
2. Intervalos de confianza.
facultadmedicina.uc.cl 3
Introducción
Muestra
Análisis descriptivo Inferencia
Población
Introducción
Los parámetros poblacionales ( 𝜇, 𝜎 2 , 𝑝 ) se consideran

habitualmente como cantidades fijas, pero desconocidas. Luego,
interesa estimarlas a partir de una muestra.
Interesa que los estimadores muestrales sean un buen reflejo de
los parámetros poblacionales
muestral .pro#EIond Parámetros

(desconocidos)
Estimadores
(conocidos)
x → promedio
2 Varones poblacional
s varianza  2→ + = d. E
'Ü⊕
@ → pavoumetr p̂
→ proporción
nuestra p proporción Población
poblacional poblacional
Muestra h :
Introducción
La inferencia es una rama de la estadística con métodos y

herramientas que nos permiten generalizar los resultados
obtenidos a partir de una muestra, a la población de la cual
procede y representa.
Las principales herramientas para realizar inferencia estadística

son:
• Estimación Puntual
[0ns:
• Estimación Intervalar-
• Contraste de Hipótesis
Estimación Puntual
facultadmedicina.uc.cl
7
Estimación Puntual
8
Estimación Puntual
9
Estimación Puntual
10
Estimación Puntual
11
Estimación Puntual
12
Estimación Puntual
13
Estimación Puntual
14
Estimación Puntual
Ya vimos que para una muestra aleatoria 𝑥1 , … , 𝑥𝑛 proveniente

de una población, podemos obtener valores basados en los
estimadores muestrales que nos permitan estimar puntualmente
el o los verdaderos parámetros poblacionales.
El problema es que para distintas muestras el valor del

estadístico cambia (concepto de variabilidad muestral).
15
Intervalos de Confianza
Intervalo de Confianza: rango de valores (calculado en una

muestra) que cubre al verdadero valor del parámetro, con verdadero
una
estimador nuestra para construir
en un
probabilidad determinada. para metro
La probabilidad de que el verdadero valor del parámetro se

encuentre cubierto por el intervalo construido se denomina
1-. nivel de confiar
nivel de confianza, y se denota por☐ Ya
El nivel de significancia [significance level] se simboliza por  y

corresponde a la probabilidad de error, es decir, a la probabilidad
de que el verdadero parámetro poblacional quede fuera del
intervalo de confianza.
16
Generalmente se construyen intervalos con confianza

1-=95% (o significancia =5%). Menos frecuentes son los
☐
intervalos con =10% o =1%. a =
es el error determina
,
la significancia
Así, el intervalo de confianza permitirá entregar una medida de

variabilidad asociada a la estimación del parámetro.
17
La línea roja muestra el valor del parámetro

desconocido 𝜇, al que le estamos
calculando un intervalo de confianza a
partir de cada una de las 𝑘 muestras.
5 de las nuestras no contienen al
para metro .
IC95%: si tuviéramos 100 muestras de la

variable aleatoria, y en cada una
calculáramos el promedio y luego el IC,
entonces se espera que 95 de esos
intervalos cubran al verdadero valor del
parámetro.
IC99%:si se construyen IC de 99% de

confianza, se espera que 1 de cada 100
intervalos no contenga al verdadero valor
del parámetro.
18
↓ Interferencia ↓
✗puede ser categórica ◦ numérica P M

-
Msp :(proporción
porcentaje) Intervalos de Confianza
o
sin numérica Il promedio ) o de (5)
"
!:*
entero .am
:
/
Beneficios nutricionales y metabólicos asociados con la actividad y el transporte público: resultados de la Encuesta
Nacional de Salud 2016-2017. Passi et al. (2020)
✗~ NI u, ) → INN ( Mi
si ✗ diestoibuye normal entonces
no
Nfcx) → In Nu, TV)

,
el
.
t.ae
Intervalos de Confianza para µ 642-41.961=0.95
tiro
sENNlui_ jInTR.MhTC.EBoodG@Ptl.G
-
Ü
↓
Espí Nloit 2-
↳ consumo en
las-4M¥.IS
Suponga que 𝑥1 , … , 𝑥𝑛 es una muestra aleatoria proveniente de

una población Normal 𝜇, 𝜎 2 y se quiere construir un intervalo
de confianza para 𝜇.
• Caso 1: n es suficientemente grande (n>30) y 𝜎 2 se estima

usando el valor muestral 𝑠 2 .
𝑥ҧ − 𝜇
𝑍= ∼ Normal(0,1)
𝑠/ 𝑛
?⃝
Intervalos de Confianza para µ
𝑃(−1.96 < 𝑧 < 1.96) = 0.95 Distribución z

Luego, si una variable 𝑋 tiene
distribución Normal 𝜇, 𝜎 2 , el 95% 2.5%
95% de las veces:
ҧ
𝑥−𝜇
-1,96 < < 1,96 −1.96 1.96
𝑠/ 𝑛
S / Mi
LIM
1,96 Jj ( 1.96
.
- .
Despejando  : ↓ 𝑠 𝑠
𝑥ҧ − 1,96 ∗ ≤ 𝜇 ≤ 𝑥ҧ + 1,96 ∗
𝑛 𝑛
E- 1.96
.
551A <
M< I + 1.96 VA
El resultado, es un intervalo de confianza al 95% para la media 
cuando la variable 𝑋 es Normal, con 𝑛 > 30 y 2 desconocido.
üú . Intervalos de Confianza para µ
' ¥2 E. ✗ +
ÍᵗZt%'s
En general, para cualquier α tenemos que:
𝑥ҧ − 𝜇
P 𝑧𝛼 ≤ ≤ 𝑧1−𝛼 = 1 − 𝛼
2 𝑠/ 𝑛 2
Despejando
𝑠 𝑠
P 𝑥ҧ − 𝑧1−𝛼 ⋅ ≤ 𝜇 ≤ 𝑥ҧ + 𝑧1−𝛼 ⋅ =1−𝛼
2 𝑛 2 𝑛
𝑠
𝜇 ∈ 𝑥ҧ ± 𝑧1−𝛼 ⋅
2 𝑛
?⃝
Ejercicio 1
La detección a tiempo del retraso cognitivo severo en niños que nacen
muy prematuro es crucial, ya que determina su capacidad cognitiva en el
futuro. La prueba de Lenguaje BSDI (Bayley scale of infant development)
es una prueba que se aplica a niños de 2 a 8 años, y que tiene por objetivo
medir el grado de capacidad cognitiva del niño. Se sabe que los puntajes
de esta prueba siguen una distribución Normal.
Un investigador aplica esta prueba a un grupo de 45 niños/as nacidos muy

prematuros y obtiene un puntaje promedio de 100 y d.e. de 15.
Construya un IC de 95% para la media poblacional  del puntaje BSDI.

Construya además un IC de 99% bajo los mismos supuestos.
Solución:
La distribución es Normal, luego el intervalo de 95% de confianza es:

100 − 1.96 ∗ 15/ 45 <  < 100 + 1.96 ∗ 15/ 45
Es decir, 𝟗𝟓, 𝟔 <  < 𝟏𝟎𝟒, 𝟒. Luego, el puntaje medio poblacional (de
niños de 2 a 8 años nacidos muy prematuros) se estima entre 95,6 y 104,4
puntos con una confianza de 95%.
Para construir el intervalo con confianza 99%, se debe usar z=2.575 en vez
de z=1.96. Luego, el intervalo es:
100 − 2,575 ∗ 15/ 45 <  < 100 + 2,575 ∗ 15/ 45
Es decir, 𝟗𝟒, 𝟐 <  < 𝟏𝟎𝟓, 𝟕

Seguimos bajo el supuesto que X es proveniente de una población

Normal 𝜇, 𝜎 2
• Caso 2: Si n es pequeño y 𝜎 2 se estima usando el valor

muestral 𝑠 2 . Se utiliza:
𝑥−𝜇
𝑇= ∼ t − Student(𝑛 − 1)
𝑠/ 𝑛
Del gráfico se tiene que:
𝑥−𝜇
P 𝑡𝛼,(𝑛−1) ≤ ≤ 𝑡1−𝛼,(𝑛−1) = 1 − 𝛼
2 𝑆/ 𝑛 2
Por la simetría de la t-Student(n-1), y de forma análoga al Pivote

Z, se obtiene que:
𝑆
𝜇 ∈ 𝑥 ± 𝑡1−𝛼,(𝑛−1) ⋅
2 𝑛
Para construir el intervalo de 95% de confianza para  es

necesario calcular el percentil 97.5% de la t de Student con n-1
grados de libertad.
s s
X − t0.975,( n−1)     X + t0.975,( n−1) 
n n
Notar en la tabla T que a medida que el tamaño muestral crece,

el percentil 97.5% de la distribución t de Student se aproxima al
percentil respectivo de la distribución normal estándar.
Tabla
t-Student
Ejercicio 2
Desarrolle el mismo Ejercicio anterior, pero suponga ahora que el
investigador aplica esta prueba a un grupo de 25 niños/as nacidos muy

Solución:
T con n-1=24 g.l.
Para una confianza de 95% se tiene que t=2,064.
• Caso 3: Si no se puede asumir que X ~ Normal y n es

suficientemente grande (>30), entonces por TCL se
puede usar Z o T
Ejercicio 3: para los datos del Ejercicio 1,

Construya el IC si no se sabe nada acerca de la
distribución de probabilidad de los puntajes.
Caso 4: Si no se puede asumir que X ~ Normal y n no es

suficientemente grande (n<30):
Posibles caminos:
(i) Transformar los datos para conseguir Normalidad (por

ejemplo log(X)). El IC se obtiene igual que en el punto
anterior.
(ii) No hacer IC para . Muy usado para n chico (en ese caso se
hacen IC para la mediana, por ejemplo, o no se hacen IC).
Resumen:
Sea X una variable aleatoria continua. Se tienen observaciones
𝑥1 , … , 𝑥𝑛 de esa variable aleatoria.
Población
Intervalo de Confianza para 𝒑

una población Bernoulli 𝑝 y se quiere construir un intervalo de
confianza para 𝑝.
Por el Teorema del Límite Central tenemos que
𝑝(1 − 𝑝)
𝑝~Normal
Ƹ 𝑝,
𝑛
Donde se estima
𝑝(1 − 𝑝) 𝑝(1
Ƹ − 𝑝)Ƹ
=
𝑛 𝑛
Luego, para muestras grandes se tiene que :

𝑝Ƹ − 𝑝
𝑍 = ~Normal(0,1)
𝑝Ƹ ⋅ (1 − 𝑝)/𝑛
Ƹ
Y el I.C. de nivel α queda dado por
𝑝 ∈ 𝑝Ƹ ± 𝑧1−𝛼 ⋅ 𝑝Ƹ ⋅ (1 − 𝑝)/𝑛
Ƹ
2
Es decir, procediendo en forma análoga al caso de la media,

podemos construir un intervalo de 95% de confianza para la
proporción poblacional P.
𝑝Ƹ ⋅ 1 − 𝑝Ƹ 𝑝Ƹ ⋅ (1 − 𝑝)Ƹ
𝑝Ƹ − 1,96 ⋅ ≤ 𝑝 ≤ 𝑝Ƹ + 1,96 ⋅
𝑛 𝑛
37
Ejercicio 5.
La Encuesta Nacional de Salud 2009-2010 arrojó que 237
personas de 65 o más años padecía de cataratas de un total de
998 personas muestreadas en ese grupo etario. Construya un
intervalo de confianza para la verdadera proporción 𝑝.
0,24 ∙ 1 − 0,24 0,24 ∙ 1 − 0,24

0,24 − 1,96 ⋅ ≤ 𝑝 ≤ 0,24 + 1,96 ⋅
998 998
0,214 ≤ 𝑝 ≤ 0,266
Interpretación. La prevalencia poblacional de cataratas en personas de 65 o

más años se estima en 24.0%. Con una confianza de 95%, el intervalo que va
desde 21,4 a 26,6 contendrá al verdadero valor del parámetro.
38
Hipertensión en relación con estado nutricional, actividad física y etnicidad en niños

chilenos entre 6 y 13 años de edad (NutrHosp 2016)

clase 1
Probabilidades
Distribución Normal
Bioestadística
Paola Viviani
Tabla de Contenidos
1. Distribución Normal
2. Distribución Normal Estándar
3. Propiedades
4. Ejercicios
Distribución Normal n
[Normal distribution]
La principal distribución en estadística es la llamada distribución
Normal, distribución de Gauss o distribución Gaussiana. Su
importancia radica en que: normal
comportandistribución
q
'
se
como
• permite modelar numerosos fenómenos naturales, sociales y

psicológicos.
• varios procedimientos estadísticos usados habitualmente
asumen la normalidad de los datos observados.
promedio lo queimporta
con
simetría
media
y
esto es
→
Distribución
Distrito uci Normal
flx)
Cualquier función que tenga .
de d. estándar)
Ian2a ( Zble
día
¥91
la define media y
distribuye Normal
una una varianza
variaba ✗ , y
2 normal
✗distribuye normalµ →
de distrito
N para metros
.
~
✗
↳
E. Él ¥5
=
=
indica donde está la torva

tomar
varianza solo debe
valores positivos .
?⃝
La media es la 9-
'
ubica a la distribución .
pero la
aquí cambia Sigman es la misma
media
-
media ubica a la
distribución .
;ü
µ
.
caso continuo se calcula prob en intervalos

en
.
Por complemento se tiene: Para dos valores dados 𝑎nopunt

y 𝑏uakspot
(conesv.a.n.con.tn
𝑎 < 𝑏) se tiene:
𝑃 𝑋 ≥ 𝑏 = 1 − 𝑃(𝑋 < 𝑏)
✗ ~ N (3,4)
: Plain )
Pixar ) PLXLO)
-
𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝐹 𝑏 − 𝐹(𝑎)
Distribución Normal Estándar
[Standard Normal Distribution]
, an me
,¡ ay , ua,
¡ ama ,
¿
ama
mama
tiene la particularidad de
la
2 #Inviable aleatoria pero pertenecera
normal stand ar
↓
¡
^
'
p r o b . a e ? m e I i z . - fa D = - P l z s - 2
)
esto produce
un efecto espejo .
lo
q piden
'
Dibujar
Propiedades: como 𝜇 = 0 entonces

mmmm
• 𝑃 𝑋 ≤ 𝑧𝑝 = 𝑃 𝑋 ≥ −𝑧𝑝 efecto espero .

1 -
( XL
-
Zp)
ü
ÁL
• 𝑃 𝑋 ≤ 𝑧𝑝 = 1 − 𝑃 𝑋 < −𝑧𝑝 o equivalentemente
=
- Z
Φ 𝑧𝑝 = 1 − Φ −𝑧𝑝
Tabla de la Distribución Normal Estándar. Resultado de

(2-(0-72)
1010.74
Φ 𝑧𝑝 = 𝑝 para 𝑧𝑝 > 0.
=
qirJi jYvY_vdecimawalorz.LEo3@lt.i
¿ Que valor z a comerla al 84T .
encuentra ≈ en
se
Una variable aleatoria 𝑋~𝑁 𝜇, 𝜎 2 se puede estandarizar

aplicando a cada observación proveniente de 𝑋 la
transformación La nuevavariable
va a
𝑥−𝜇 distribuir normal ( 0,11

𝑧=
𝜎
La nueva variable aleatoria 𝑍 tendrá distribución 𝑍~𝑁 0,1 .
Este valor z se conoce como z-score. En el área de la salud es
ampliamente utilizado para clasificar como sano o enfermo a
diferentes poblaciones. Por ejemplo, estado nutricional o presión
arterial en niños.
cualquier variable normal puede pasar
estándar si le Resto la media
a ser una ,
yo
Y divido la desviación estándar .
por
Ejemplo 1: Se generan 300 datos tal que 𝑋 = 𝑃𝑒𝑠𝑜 ~ 𝑁(65, 25)

Histograma de Peso
Normal
60
-
Media 64,87
Desv.Est. 4,709
-
n.de
N 300 personas
50 en esta
tabla
A- delta
40
Frecuencia
Peso -65 =
algunos pueden quedar con A
con _
o A -1
30
todas las distancias ql
tendrian que sumar
generamos
O
20
.
estos deltas
la nueva variable de
la misma pero
10 tienen ,
central O .
cada de esos deltas , divide

0 Si a uno se
5
48 52 56 60 64 68 72 76 por la desviación estándar que es
media
achica la variabilidad
Peso
se
.
Estandarizar :
restar la media
y ,
la desviación
dividir ✗
estornudar

ver esto
¿Y si a cada observación le resto ¿Y si ahora cada delta lo divido

la media? por la d.e.?
Histograma de Peso - 65 Histograma de (Peso-65)/5

Normal Normal
50 Media -0,02648
Media -0,1324 40
Desv.Est. 4,709 Desv.Est. 0,9419
N 300 N 300
40
30
Frecuencia
Frecuencia
30
20
20
10
10
0 0
-13,5 -9,0 -4,5 0,0 4,5 9,0 13,5 -3 -2 -1 0 1 2
Peso - 65 (Peso-65)/5
Ejercicios
Ejercicio 1. Se sabe que la Presión Arterial Diastólica (PAD) de

→ desviación estándar de 12
cierta población distribuye Normal(80,144).

• ¿Cuál es la probabilidad de que un sujeto seleccionado al azar
menor
tenga PAD inferior a 90?
• Se dice que un sujeto es hipertenso si su PAD≥90, ¿cuál es la
probabilidad de que un sujeto seleccionado al azar sea
hipertenso?
• ¿Cuál es el valor de la presión arterial a partir del cual se
encuentra el 10% de los casos más severos (más altos)?
Ejercicios
Resumen
flasel
Probabilidades
Distribución del promedio bajo Normalidad
Teorema Central del Límite
Bioestadística
Paola Viviani
Tabla de Contenidos
variabilidad muestral :
1. Variabilidad
2. Distribución del promedio muestral bajo Normalidad.
3. Teorema Central del Límite.
4. Distribución del promedio y de una proporción.
Variabilidad
Estudiar una muestra no es lo mismo que estudiar a toda la

población: toda muestra tiene una variabilidad asociada.
Este concepto de variabilidad proviene del hecho que cada

muestra extraída será siempre diferente a otra potencial
muestra.
Ejemplo 1. Recordemos el ejemplo que muestra la edad de 350

casos de cáncer al pulmón (asumamos que es la población
completa), pero sólo tenemos acceso a la edad de 10 de estos
pacientes.
Variabilidad
64 66 46 71 65 73 61 70 27 80 52 61 39 76 49 63 72 62 62 53 86 69 60 66 70
75 58 90 73 85 75 44 74 52 80 50 65 45 78 84 59 40 57 67 48 54 74 54 44 65
64 76 73 50 59 54 74 60 42 74 83 60 83 73 60 67 70 44 52 68 76 69 63 86 62
84 65 41 73 57 73 69 91 70 47 54 29 51 55 68 47 59 73 63 61 59 43 58 65 48
73 59 63 66 48 60 55 62 55 63 75 80 67 92 63 63 72 95 61 61 86 60 63 58 46
79 75 93 45 72 60 78 72 47 65 77 57 50 64 33 52 63 69 51 53 54 45 71 45 39
63 73 75 49 61 41 70 72 43 64 69 43 63 57 53 62 61 71 59 45 79 70 63 51 51
71 42 45 71 62 38 79 50 50 49 54 67 65 49 67 85 84 52 42 68 49 56 69 66 63
76 44 72 65 64 49 60 71 61 71 59 59 62 58 73 57 67 77 66 56 48 61 49 51 75
51 50 73 78 58 76 53 71 44 53 70 74 72 66 25 56 65 67 88 63 60 68 69 68 63
49 63 68 62 71 67 60 80 63 30 81 81 39 81 57 49 62 61 49 52 70 68 59 64 72
51 63 59 67 33 62 61 63 51 45 56 43 49 79 52 70 56 67 48 53 86 65 53 46 73
65 38 40 80 63 57 67 42 57 71 46 58 92 53 51 55 88 58 61 52 58 49 67 53 56
68 76 81 65 50 79 42 81 47 79 46 77 69 62 50 51 50 82 57 82 61 56 66 68 39
Variabilidad
La edad media de estos 350 pacientes de cáncer al pulmón es

61.87 años.
Al repetir 40 veces el experimento de tomar 10 casos
consecutivos y calcular la edad media, se obtuvieron los
siguientes resultados:
61,5 58,0 61,4 62,8 54,4 69,0 65,6 62,3 56,3 57,8
Promedio de los
10 casos del 65,8 59,6 65,4 74,4 64,7 60,8 69,3 56,8 58,6 63,1
recuadro
66,8 61,3 63,0 60,2 64,9 61,0 63,0 59,8 64,3 66,6
65,9 53,5 61,8 57,6 61,3 65,4 65,8 60,1 59,2 69,2
Variabilidad
"
?
esta
no
son
tabú
Representación gráfica: las queleyó y
75 Representati
mas
depende
vas
tamaño
del
muestra
70
65
Promedio
60
55
50
45
0 10 20 30 40
Muestras
40 Muestras de Tamaño 10
Variabilidad
Representación gráfica:
75
70
65
Promedio
60
55
50
45
0 10 20 30 40
Muestras
Variabilidad
Representación gráfica:
75
70
65
Promedio
60
55
50
45
0 10 20 30 40
Muestras
Variabilidad
Toda muestra tiene asociada cierta variabilidad. Esto se refleja

en que cada vez que tomemos una muestra, el promedio
calculado será diferente al que hubiéramos obtenido otra
muestra, a pesar de que provengan ambas muestras de una
misma población.
Mientras menor sea el tamaño de la muestra, el promedio

tendrá una mayor variabilidad asociada, y viceversa.
Variabilidad
Desviación estándar
Se simboliza por la letra σ (población) o s (muestra) y se calcula
como la raíz de la varianza.
𝑛
1
𝑠= ෍(𝑥𝑖 − 𝑥)ҧ 2
(𝑛 − 1)
𝑖=1
Para la muestra de edades,
𝑠 = 194.2667 = 13.938
11
Variabilidad
La medida de dispersión para medir la variabilidad del promedio

es el error estándar.
El error estándar [standard error]: mide la variabilidad esperada

del promedio muestral como estimación de la media
poblacional. Depende del tamaño de la muestra y se calcula
de mientras más crezca
como: variabilidad
>
estándar
n . el error de
datos
𝑠 los disminuye
la media
más chico
𝑆𝐸𝑀 = del tamaño .
Si n es
𝑛 Rail muestral el estándar

más grande
error
hace
se
÷ :*:{ 𝑠 13.9
En la muestra de ejemplo: 𝑆𝐸𝑀 = = ≈ 4.4
𝑛 10
Variabilidad
una medida
interesa tener
variabilidad muestral
• de
:
'
Hand"
desviación
datos
:
cuantificar
^ de los
variabilidadestándar intentael promedio
variar
el error puede
cuanto
teorema: si lo>datos distribuyen normal ,
el promedio distribuye
normal .
Distribución del promedio bajo Normalidad
Simulación µ d
Se generan 2000 datos con ~𝑁(18,9)
Histograma de Normal
Normal
1 60
Media 1 7,93
Desv.Est. 3,053
1 40 N 2000
1 20
• al
•
• ? 1 00
Frecuencia
•¥
de
promedio
•
•
80
esperaría al
° un
° g, saco
"
60
muestra ,
torno
esta en
mete
40 que
18
si la poblacion de origen
.
20
0
9 12 15 18 21 24 27
Normal
Distribución del promedio bajo normalidad
Muestra Media DesvEst N

1 17.38 2.46 50
Se obtienen 40
2 17.56 2.70 50 muestras de tamaño
3 17.63 2.65 50
4 18.42 3.24 50
50.
5 18.18 2.80 50
6 18.26 3.01 50
7 17.81 3.56 50
8 18.20 3.13 50
9 18.33 2.12 50
10 17.45 3.28 50
11 18.79 2.65 50
12 17.53 2.41 50
13 18.45 2.43 50
14 18.22 2.86 50
15 17.82 3.23 50
16 18.33 3.42 50
17 17.70 3.45 50
18 18.23 2.17 50
19 18.63 2.68 50
20 18.08 2.81 50 facultadmedicina.uc.cl 15
Forma
parecida
pero
esuu
Histograma de las tiene
la
una
origfnalpnaj varias
Histograma de Media
Normal
medias obtenidas Mucho
of
a
10 Media 1 7,88
Desv.Est. 0,4087
de 40 muestras. N 40
8
la variabilidad es mucho
menor que los datos originales
Frecuencia
\
4
0
1 7,2 1 7,6 1 8,0 1 8,4 1 8,8 O
Media
TME.io
:
Bob
q¡ÜIm%TÑÍ
el
ÜÍÍ
"
pasa
promedio
.
Esto
→
" el
en
se
" una
población disminuye normal con una media y unavarianza
el Promedio distribuye
gym y (µ
" " "" como nana,
(µ , → ,
Sea 𝑋 es una v.a. que toma valores 𝑥1, 𝑥2, … , 𝑥𝑛, donde cada
18,32)
↳I~NH8í% m
2 1 𝑛
𝑥𝑖 ~ 𝑁(𝜇, 𝜎 ) y 𝑥ҧ = σ𝑖=1 𝑥𝑖 , entonces: kN /
𝑛
2 𝑋−𝜇 ത
ത 𝜎 Τ
𝑋 ~ 𝑁(𝜇, 𝑛) o equivalentemente, 𝜎 ~𝑁(0,1)
𝑛
La d.s. del promedio es 𝜎ൗ 𝑛 , se denomina error estándar

poblacional y se estima por 𝑠ൗ 𝑛.
?⃝
Ejemplo 2.
Si la edad de una población de niños en estudio tiene XNN / 6,154
distribución Normal, con media =6 y varianza 2=2.25, PCX>9)

=
1- PIXLG )
)
^ᵗª"""""""""÷
=L pl -2<345
✗"
-
= 1- PLZCZ
-0.9772=0.0228
215%-0.028 =p
.
• ¿Cuál es la probabilidad de que un niño de esa población

tenga más de 9 años?
• ¿Cuál es la probabilidad de que el promedio de las edades de

10 niños de dicha población sea mayor de 9 años? EEE
el
:
PIINOD 1- PIXLOII
X~NK.it#)--EEiE:IPlIk91--PlZl9o-G-g )
-
-
=P/ZLG/ tienen.
'
≤ 1-1=0
I
I
5
.
I
6 ¥ facultadmedicina.uc.cl 18
Teorema Central del Límite (TCL) tamaño muestra
n = .
[Central Limit Theorem] HYON

la distribución de
importa origen no distribuya normal
'
no
q
qi tener alguna media y alguna varianza
pero tiene .
si eltamaño muestra es suficientemente grande , entonces

de todas formas el promedio distribuye normal con rueda
µ y varianza
5%
Sea 𝑓(𝑥) una función densidad con media poblacional  y

varianza finita 2. Sea 𝑋ത el promedio de una muestra aleatoria
de tamaño 𝑛 de 𝑋 ~ 𝑓(𝑥).
' ⊖
IKI Si la nuestra
Entonces: %
𝜎2
ത
𝑋~𝑁 𝜇, cuando 𝑛 → ∞
𝑛
n > 30
Teorema Central del Límite (TCL)
Basta que la v.a. 𝑋 tenga distribución con varianza finita 2 y

media poblacional , para que el promedio muestral tenga
distribución Normal, cuando el tamaño muestral es grande.
Una variante del TCL se obtiene al estandarizar:
𝑋ത − 𝜇
𝜎 ~𝑁(0,1)
𝑛
Ejemplo 3: Distribución de la edad al momento de morir de

N=103,325 individuos en Chile el año 2015.
La media poblacional de la 3500

Histograma de Edad
edad al momento de morir

media
3000
es =70,8 años. La varianza 2500

desviación
es 2=384,2 (=19.6)
varianza .
estándar
Frecuencia
2000
1 500
la distribución no es normal .
1 000
500
•
0
si la nuestra fuera
muy pequeno puede ,
salir 0 16 32 48 64 80 96 112
cualquier cosa .
Edad
El error estándar de muestras tamaño 40 es 3,09.

La distribución de los promedios de edad para muestras
tamaño n=40 toma forma Normal. Esto verifica que se cumple
el TCL.
La figura ilustra los

promedios de 1000
muestras de tamaño
𝑛 = 40.
Promedio=70,9
s.d.=3,09
Ejemplo 3b.
No se conoce la distribución de IMC de una población de adultos

en estudio, pero se sabe que la media es de 27 y varianza de 9,
• ¿Cuál es la probabilidad de que un adulto tenga un IMC

individual de
Prob
'
no
porq, es una .
superior a 28?una
su
poblacion que
distribución .
no conozco
• ¿Cuál es la probabilidad de que el promedio de IMC en una

puedo que la
muestra de 10 adultos sea superior a 28? muestra muy
no
es
ya
pequeña
• ¿Cuál es la probabilidad de que el promedio de IMC en una

muestra de 40 adultos sea superior a 28?
calculan en variables
se
categóricas .
Distribución de una Proporción P
Sea 𝑷 la proporción poblacional de personas que poseen cierta

característica de interés (por ejemplo, la proporción de personas
con obesidad en RM, porcentaje de jóvenes con lesión en la
rodilla en la UC, etc.).
Si el tamaño muestral es grande, el Teorema Central del Límite
nos asegura que la proporción muestral de casos con la
característica tiene distribución Normal:
ej:p 0.46
=
muestras de la población 0.45 0.48 0.46 0.50.39

tomo muchas
𝑃(1−𝑃)
෠
g.¡
proporción de
muestra mido la
𝑃~𝑁 𝑃, cuando 𝑛 → ∞ proporciones tienden
a una
estas
en cada
y van a normal
entonces esas proporciones distribución . -
Ya que
hombres ,
distribuir normal . 𝑛 espero que me salgan mias
cercanas a 0.46 .
Distribución de una Proporción 𝒑
F- de
De una población de 3000 personas, donde el 60% son hombres,
se toman 80 muestras de tamaño 100, y en cada una se observa
la proporción de hombres obtenida.
Histogram of P Estimado
Normal
18
16
14
Mean
StDev
N
0.6045
0.04888
80
* →
%
12
Frequency
10
2
r
0
0.50 0.55 0.60 0.65 0.70
P Estimado
Distribución de una Proporción 𝒑
Ejemplo 4.
Se sabe que la prevalencia de hipertensión en una población
adulta es 𝑃 = 0,15.
Calcule la probabilidad de que en una muestra aleatoria de 100
personas, la proporción de hipertensos sea superior a 0.2
F~Nlo.rs FIEL
Y
PIP > 0.21=1-4%0.21
P < e.
2) Plz
) =p / 2- <
=
Ojazos) PIZLO MI e. 55A

- =
=
-
Resumen
• El TLC sirve para calcular probabilidades cuando se

quiere inferir sobre el promedio o la proporción de
una variable aleatoria.
• La idea detrás del TLC es que el promedio/proporción

es una cantidad aleatoria, luego, en muestras
suficientemente grandes, seguirán una distribución
Normal con
𝑃(1−𝑃) 2
෠
𝑃~𝑁 𝑃, y 𝑥ҧ ~ 𝑁(𝜇, Τ𝑛) cuando 𝑛 → ∞
𝜎
𝑛
Probabilidades
Distribución Chi-cuadrado y t-Student
Bioestadística
Paola Viviani
Tabla de Contenidos
1. Distribución Chi-cuadrado
2. Distribución t-Student
r
Distribución Chi-cuadrado
→ para metro de la
Sea 𝑋 una v.a. que sigue una distribución Chi cuadrado con ☐
𝑘 grados distribución
de libertad [degrees of freedom], es decir, X ~ χ2(𝑘) .
wantomenagrado~
de
libertad
"
grado
"
l "W
de
→ libertad más asimétrica es
gagoouó ,
,
→ "
#" A medida que aumentan
de
" Lor
gogó grados de libertad se va
"
haciendo más simétrica , se
y "
va asemejando a una Forma
" normal .
spot
→
todos los valores que
toma
la variable aleatoria son
positivos .
Esta distribución es asimétrica y tiene un parámetro: los grados de

libertad. Notar que la v.a. (continua) toma solo valores positivos
percentihes
e
Tabla
Chi cuadrado
columna grados de
libertad
1
:
dit
las prob estar
. en el margen EEI
valor de la variable
y el
aleatoria está
la tabla .
adentro de
¡É
Ejercicio 1 (Distribución Chi cuadrado)

Sea X una variable aleatoria con distribución Chi cuadrado con 5
O
grados de libertad, es decir, X~χ(5) .
• ¿Cuál es la probabilidad de que X tome un valor menor a

12.83? lo 0.975 97,5% de probabilidad
= =
.
• ¿Cuál es la probabilidad de que X tome un valor mayor o igual

a 12.83? 0.975 1-0.975 0.025
= =
• ¿Cuál es la probabilidad de que X tome un valor inferior a

0.83? 0.025 y
En la figura de la diapositiva 5, identificar la densidad de la Chi(5)

y los puntos 0.83 y 12.83 y confirmar la no simetría.
I Y
12.83
0.83
.
Distribución t Student
Sea 𝑋 una v.a. que sigue una distribución t-Student con 𝑘 grados de
libertad, es decir, X ~ 𝑡(𝑘) . f-
Student es simétrica
lor de
cuando
disminuye grados
hacen maí
libertad , las colas se
damos
pesadas ,
es decir , les
los valores
más probabilidad a
más del
alejados 0 .
O O
Esta distribución es simétrica en torno al cero y tiene un parámetro:
los grados de libertad.
Sea 𝑋~𝑡 − 𝑆𝑡𝑢𝑑𝑒𝑛𝑡(𝑘). Se tiene que:

0
Toma valores en el intervalo (−∞, ∞) . aunque está centrada
en
-
- La forma de la distribución t Student es similar a la normal,
pero con colas más pesadas.
-
- En la medida que aumentan los grados de libertad 𝑘, la
distribución t se va asemejando a una Normal.
percentiles ( prob. acomodadas )
,
¥
Tabla
t-Student
:::
de la
:
÷
¡
0
Ejercicio 2 (t-Student).
Sea Y una variable aleatoria con distribución t Student con 3

grados de libertad, es decir, Y~t (3) .
• ¿Entre qué valores se encuentra el 95% central de la

|
"" valores
9m
distribución? p
entre.
0.025
y p
.
0,975 -3,182
y
3.182
corresponden esos dos :

distribución si ahora Y tiene 30 grados de libertad? -2.042 y 2.042
distribución si ahora Y distribuye Normal estándar? 1.96 y 1.94 -
Resumen
Dos nuevas distribuciones continuas formadas a partir de la

Normal estándar: t Student y Chi cuadrado.
• t -Student está centrada en 0; toma valores de −∞ a +∞.

• El centro de la Chi cuadrado depende de sus grados de
libertad; toma valores entre 0 e infinito (positivo).
✓
Inferencia
Estimación e Intervalos de Confianza
Bioestadística
Paola Viviani
Tabla de Contenidos
1. Estimación puntual
2. Intervalos de confianza.
Introducción
Muestra
Análisis descriptivo Inferencia
Población
Introducción
Los parámetros poblacionales ( 𝜇, 𝜎 2 , 𝑝 ) se consideran

habitualmente como cantidades fijas, pero desconocidas. Luego,
interesa estimarlas a partir de una muestra.
Interesa que los estimadores muestrales sean un buen reflejo de
los parámetros poblacionales Paramuericas
media
variables Parámetros

(desconocidos)
Estimadores
(conocidos)
x
2
:*
'
s  2
µ:
→
p̂ p Población
Muestra
Introducción
La inferencia es una rama de la estadística con métodos y

herramientas que nos permiten generalizar los resultados
obtenidos a partir de una muestra, a la población de la cual
procede y representa.
Las principales herramientas para realizar inferencia estadística

son:
• Estimación Puntual
• Estimación Intervalar
• Contraste de Hipótesis
Estimación Puntual
7
Estimación Puntual
8
Estimación Puntual
correcto
"
es "'
no
decir fija
es "
ción
} que se
la
estima
'
puntualum
en en
el
en error
de
9
Estimación Puntual
10
Estimación Puntual
11
Estimación Puntual
12
Estimación Puntual
13
Estimación Puntual
14
Estimación Puntual
Ya vimos que para una muestra aleatoria 𝑥1 , … , 𝑥𝑛 proveniente

de una población, podemos obtener valores basados en los
estimadores muestrales que nos permitan estimar puntualmente
el o los verdaderos parámetros poblacionales.
no considera la variabilidad muestral
El problema es que para distintas muestras el valor del
estadístico cambia (concepto de variabilidad muestral).
15
Intervalo de Confianza: rango de valores (calculado en una

muestra) que cubre al verdadero valor del parámetro, con una
probabilidad determinada.
La probabilidad de que el verdadero valor del parámetro se
encuentre cubierto por el intervalo construido se denomina
confianza
nivel de confianza, y se denota por 1-. →
El nivel de significancia [significance level] se simboliza por  y

corresponde a la probabilidad de error, es decir, a la probabilidad
de que el verdadero parámetro poblacional quede fuera del
intervalo de confianza.
16
Generalmente se construyen intervalos con confianza

1-=95% (o significancia =5%). Menos frecuentes son los
intervalos con =10% o =1%.
✗ es el error ,
determina la significancia
Así, el intervalo de confianza permitirá entregar una medida de
variabilidad asociada a la estimación del parámetro.
17
La línea roja muestra el valor del parámetro

desconocido 𝜇, al que le estamos
calculando un intervalo de confianza a
partir de cada una de las 𝑘 muestras.
IC95%: si tuviéramos 100 muestras de la

variable aleatoria, y en cada una
calculáramos el promedio y luego el IC,
entonces se espera que 95 de esos
intervalos cubran al verdadero valor del
parámetro.
IC99%:si se construyen IC de 99% de

confianza, se espera que 1 de cada 100
intervalos no contenga al verdadero valor
del parámetro.
18
si
✗ categórica : se observa estimador de proporción o
porcentaje
✗ numérica : promedio y desviación estando
variables se presentan proporción
.
En estas
esti
Variable numérica entrega promedio como
categoría
• A
categórica
con
categórica
Beneficios nutricionales y metabólicos asociados con la actividad y el transporte público: resultados de la Encuesta facultadmedicina.uc.cl
Nacional de Salud 2016-2017. Passi et al. (2020)

una población Normal 𝜇, 𝜎 2 y se quiere construir un intervalo
de confianza para 𝜇.
n grande y
✗ distribuye normal
• Caso 1: n es suficientemente grande (n>30) y 𝜎 2 se estima
usando el valor muestral 𝑠 2 .
IC Usando N ( 0,11 i
" ¥:* .
𝑥ҧ − 𝜇 %) z
-19 -
Sync
I MI 1.96
-
.
YA
𝑍= ∼ Normal(0,1) -
1,96 1,96 MEI -11.96 Tri
-
𝑠/ 𝑛
-
) Yi
"%
I - .
www.synynio/Zi#Th~N(
-
°"
Pl -
1,96 LZ < 1,961 ao.gg "'
"" "
oh "" '' '
< 1.96
* t.ae <
×¥g
-
~
Nly , TY → I~Nlu.TK )
exige mama
30 facultadmedicina.uc.cl 20
✗ 4- CXI → INN / µ , syn ) → aqui
?⃝
si quiere un intervalo de confianza a 95 :
𝑃(−1.96 < 𝑧 < 1.96) = 0.95 Distribución z

Luego, si una variable 𝑋 tiene
distribución Normal 𝜇, 𝜎 2 , el 95% 2.5%
95% de las veces:
ҧ
𝑥−𝜇
-1,96 < < 1,96 −1.96 1.96
𝑠/ 𝑛
Despejando  : 𝑠 𝑠
𝑥ҧ − 1,96 ∗ ≤ 𝜇 ≤ 𝑥ҧ + 1,96 ∗
𝑛 𝑛
El resultado, es un intervalo de confianza al 95% para la media 

cuando la variable 𝑋 es Normal, con 𝑛 > 30 y 2 desconocido.
1=-1-42
' %
:
ÜY
⇐ "
En general, para cualquier α tenemos que:

→
Pl 1.9617-4.961=0.95
-
𝑥ҧ − 𝜇
P 𝑧𝛼 ≤ ≤ 𝑧1−𝛼 = 1 − 𝛼
2 𝑠/ 𝑛 2
Despejando
𝑠 𝑠
P 𝑥ҧ − 𝑧1−𝛼 ⋅ ≤ 𝜇 ≤ 𝑥ҧ + 𝑧1−𝛼 ⋅ =1−𝛼
confianza generalizada
2 𝑛 2 𝑛
Formula intervalo :
EIZ i Na Vn
' 𝑠
𝜇 ∈ 𝑥ҧ ± 𝑧1−𝛼 ⋅
-
- .
2 𝑛
2- 1.96 en 95%
5- d. estándar
=
Ejercicio 1
La detección a tiempo del retraso cognitivo severo en niños que nacen
muy prematuro es crucial, ya que determina su capacidad cognitiva en el
futuro. La prueba de Lenguaje BSDI (Bayley scale of infant development)
es una prueba que se aplica a niños de 2 a 8 años, y que tiene por objetivo
medir el grado de capacidad cognitiva del niño. Se sabe que los puntajes
de esta prueba siguen una distribución Normal. * ± zafa .
'
qq.y.gg.gg.gg#,,y
Un investigador aplica esta prueba a un grupo de 45 niños/as nacidos muy
prematuros y obtiene un puntaje promedio de 100 y d.e. de 15.aquí
M E (95.6211-04,38) → de
sonó
donde salió ? el
se
4.38
# Y

Solución:
La distribución es Normal, luego el intervalo de 95% de confianza es:

100 − 1.96 ∗ 15/ 45 <  < 100 + 1.96 ∗ 15/ 45
Es decir, 𝟗𝟓, 𝟔 <  < 𝟏𝟎𝟒, 𝟒. Luego, el puntaje medio poblacional (de
niños de 2 a 8 años nacidos muy prematuros) se estima entre 95,6 y 104,4
puntos con una confianza de 95%.
Para construir el intervalo con confianza 99%, se debe usar z=2.575 en vez
de z=1.96. Luego, el intervalo es:
100 − 2,575 ∗ 15/ 45 <  < 100 + 2,575 ∗ 15/ 45
Este dato sale de la tabla
Es decir, 𝟗𝟒, 𝟐 <  < 𝟏𝟎𝟓, 𝟕

Préqigión
↑ ( 1- a) %
aumento confianza : intervalo menos prosigo
F- MMM + ' "" Intervalos de Confianza para µ

↳
hh 30
→
t.EE ☒ ± tina . Era
Seguimos bajo el supuesto que X es proveniente de una población

Normal 𝜇, 𝜎 2
n pequeno y ✗
distrito Me normal
• Caso 2: Si n es pequeño y 𝜎 2 se estima usando el valor
muestral 𝑠 2 . Se utiliza: IC usando T student -
.
𝑥−𝜇
+ Studer 𝑇= ∼ t − Student(𝑛 − 1)
𝑠/ 𝑛
-
80
÷
^
son
2,262 facultadmedicina.uc.cl
Del gráfico se tiene que:
𝑥−𝜇
P 𝑡𝛼,(𝑛−1) ≤ ≤ 𝑡1−𝛼,(𝑛−1) = 1 − 𝛼
2 𝑆/ 𝑛 2
Por la simetría de la t-Student(n-1), y de forma análoga al Pivote

Z, se obtiene que:
𝑆
𝜇 ∈ 𝑥 ± 𝑡1−𝛼,(𝑛−1) ⋅
2 𝑛
Para construir el intervalo de 95% de confianza para  es

necesario calcular el percentil 97.5% de la t de Student con n-1
grados de libertad.
s s
X − t0.975,( n−1)     X + t0.975,( n−1) 
n n
Notar en la tabla T que a medida que el tamaño muestral crece,

el percentil 97.5% de la distribución t de Student se aproxima al
percentil respectivo de la distribución normal estándar.
Tabla
t-Student
Ejercicio 2
Desarrolle el mismo Ejercicio anterior, pero suponga ahora que el
investigador aplica esta prueba a un grupo de 25 niños/as nacidos muy

Solución: en tabla
25-1 = 24 5 buscar
T con n-1=24 g.l.
n grande y ✗ no distribuye normal

• Caso 3: Si no se puede asumir que X ~ Normal y n es
suficientemente grande (>30), entonces por TCL se
puede usar Z o T TLC : IC usando NLQ 1)
Ejercicio 3: para los datos del Ejercicio 1,

Construya el IC si no se sabe nada acerca de la
distribución de probabilidad de los puntajes.
Caso 4: Si no se puede asumir que X ~ Normal y n no es

metricot
suficientemente grande (n<30):
hacer IC no para
transformar datos o
normal
✗ no distribuye
Posibles caminos: n
pequeño .
(i) Transformar los datos para conseguir Normalidad (por

ejemplo log(X)). El IC se obtiene igual que en el punto
anterior.
(ii) No hacer IC para . Muy usado para n chico (en ese caso se
hacen IC para la mediana, por ejemplo, o no se hacen IC).
Resumen:
Sea X una variable aleatoria continua. Se tienen observaciones
𝑥1 , … , 𝑥𝑛 de esa variable aleatoria.
a
ver
¥
.

de

una población Bernoulli 𝑝 y se quiere construir un intervalo de
confianza para 𝑝.
Por el Teorema del Límite Central tenemos que

%FEYYIWestp.mil
"
→
"
𝑝(1 − 𝑝)
𝑝~Normal
Ƹ 𝑝,
𝑛
Donde se estima
𝑝(1 − 𝑝) 𝑝(1
Ƹ − 𝑝)Ƹ
=
𝑛 𝑛
Luego, para muestras grandes se tiene que :

𝑝Ƹ − 𝑝
𝑍 = ~Normal(0,1)
𝑝Ƹ ⋅ (1 − 𝑝)/𝑛
Ƹ
Y el I.C. de nivel α queda dado por
𝑝 ∈ 𝑝Ƹ ± 𝑧1−𝛼 ⋅ 𝑝Ƹ ⋅ (1 − 𝑝)/𝑛
Ƹ
2
Es decir, procediendo en forma análoga al caso de la media,

podemos construir un intervalo de 95% de confianza para la
proporción poblacional P.
𝑝Ƹ ⋅ 1 − 𝑝Ƹ 𝑝Ƹ ⋅ (1 − 𝑝)Ƹ
𝑝Ƹ − 1,96 ⋅ ≤ 𝑝 ≤ 𝑝Ƹ + 1,96 ⋅
𝑛 𝑛
37
Ejercicio 5.
La Encuesta Nacional de Salud 2009-2010 arrojó que 237
personas de 65 o más años padecía de cataratas de un total de
998 personas muestreadas en ese grupo etario. Construya un
intervalo de confianza para la verdadera proporción 𝑝.
El estimador puntual es 237 de 998 personas → ↑ =
23% ,
= 0,24
⇐
si 0,24 ∙ 1 − 0,24 0,24 ∙ 1 − 0,24
y 0,24 − 1,96 ⋅ ≤ 𝑝 ≤ 0,24 + 1,96 ⋅
Éi pobl )
PE ↑ ± 2-
.
psyz
"
998
0,214 ≤ 𝑝 ≤ 0,266 proporción poblacional
interpretar
la
:
998
al 95% de
. .
.
contar"
Interpretación. La prevalencia poblacional de cataratas en personas de 65 o

más años se estima en 24.0%. Con una confianza de 95%, el intervalo que va
desde 21,4 a 26,6 contendrá al verdadero valor del parámetro.
38

→
prevalencia con

Intervalos de confianza para proporciones

Bioestadistica 2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Bioestadistica 2

Cargado por

Copyright:

Formatos disponibles

Distribución normal estándar Si una distribución es simétrica y con forma de campana el 95% se

Tabla z: variables estándar Icaza para una variable z

"" " "" de° "" "

ampliamente utilizado para clasificar como sano o enfermo a I I :|

Buscar como funciona el z score en 2 diapos explicadas.

Análisis descriptivo Inferencia

Los parámetros poblacionales ( 𝜇, 𝜎 2 , 𝑝 ) se consideran

La inferencia es una rama de la estadística con métodos y

Las principales herramientas para realizar inferencia estadística

Ya vimos que para una muestra aleatoria 𝑥1 , … , 𝑥𝑛 proveniente

El problema es que para distintas muestras el valor del

Intervalo de Confianza: rango de valores (calculado en una

probabilidad determinada. para metro

La probabilidad de que el verdadero valor del parámetro se

El nivel de significancia [significance level] se simboliza por  y

Generalmente se construyen intervalos con confianza

Así, el intervalo de confianza permitirá entregar una medida de

La línea roja muestra el valor del parámetro

IC95%: si tuviéramos 100 muestras de la

IC99%:si se construyen IC de 99% de

✗puede ser categórica ◦ numérica P M

sin numérica Il promedio ) o de (5)

Nfcx) → In Nu, TV)

Suponga que 𝑥1 , … , 𝑥𝑛 es una muestra aleatoria proveniente de

• Caso 1: n es suficientemente grande (n>30) y 𝜎 2 se estima

𝑃(−1.96 < 𝑧 < 1.96) = 0.95 Distribución z

Un investigador aplica esta prueba a un grupo de 45 niños/as nacidos muy

Construya un IC de 95% para la media poblacional  del puntaje BSDI.

La distribución es Normal, luego el intervalo de 95% de confianza es:

Es decir, 𝟗𝟒, 𝟐 <  < 𝟏𝟎𝟓, 𝟕

Seguimos bajo el supuesto que X es proveniente de una población

• Caso 2: Si n es pequeño y 𝜎 2 se estima usando el valor

Del gráfico se tiene que:

Por la simetría de la t-Student(n-1), y de forma análoga al Pivote

Para construir el intervalo de 95% de confianza para  es

Notar en la tabla T que a medida que el tamaño muestral crece,

Construya un IC de 95% para la media poblacional  del puntaje BSDI.

• Caso 3: Si no se puede asumir que X ~ Normal y n es

Ejercicio 3: para los datos del Ejercicio 1,

Caso 4: Si no se puede asumir que X ~ Normal y n no es

(i) Transformar los datos para conseguir Normalidad (por

Suponga que 𝑥1 , … , 𝑥𝑛 es una muestra aleatoria proveniente de

Por el Teorema del Límite Central tenemos que

Luego, para muestras grandes se tiene que :

Y el I.C. de nivel α queda dado por

Es decir, procediendo en forma análoga al caso de la media,

0,24 ∙ 1 − 0,24 0,24 ∙ 1 − 0,24

Interpretación. La prevalencia poblacional de cataratas en personas de 65 o

Hipertensión en relación con estado nutricional, actividad física y etnicidad en niños

Hipertensión en relación con estado nutricional, actividad física y etnicidad en niños

• permite modelar numerosos fenómenos naturales, sociales y

indica donde está la torva

caso continuo se calcula prob en intervalos

Por complemento se tiene: Para dos valores dados 𝑎nopunt

Propiedades: como 𝜇 = 0 entonces

• 𝑃 𝑋 ≤ 𝑧𝑝 = 𝑃 𝑋 ≥ −𝑧𝑝 efecto espero .

Tabla de la Distribución Normal Estándar. Resultado de

Una variable aleatoria 𝑋~𝑁 𝜇, 𝜎 2 se puede estandarizar

𝑥−𝜇 distribuir normal ( 0,11

Distribución Normal Estándar

Ejemplo 1: Se generan 300 datos tal que 𝑋 = 𝑃𝑒𝑠𝑜 ~ 𝑁(65, 25)

cada de esos deltas , divide

Distribución Normal Estándar