BIOESTADISTICA INFERENCIAL

INDICE
Índice………………………………………………………………………….1

1. Historia……………………………………………………………………...2

2. Definición………...………………………………………………………....3

3. Uso-utilidad……….………………………………………………………...3

3.1 Población……………………………………………………………….3

3.2 Muestra Estadística…………………………………………………...4

3.3 Desviación estándar…………………………………………………..4

3.4 Error estándar …………………………………………………………5

3.5 Hipótesis nula ………………………………………………………...6

3.6 Hipótesis alterna………………………………………………………6

3.7 Intervalo de confianza ………………………………………...….....8

3.8 Estimación puntual ……………………………………………….. .10

4. Símbolos……………………………….…………………………….….….11

5. Bibliografía………………………………………………………………....12

6. Anexos……………………………………………………………………...13

6.1 Preguntas…………………………………………….......................13

6-2 Mapa conceptual………..………………………….......................14

6.3 Mapa mental…………………………………….............................15

1
BIOESTADISTICA INFERENCIAL (ESTADISTICA INFERENCIAL)

1.-HISTORIA

La palabra “estadística” proviene de la palabra Italiana STATISTA, que significa

expresar.

EDAD MODERNA.

El desarrollo de la inferencia estadística y del muestreo permite que se

puedan realizar estudios tomando en cuenta solo una parte de la
población, lo que facilita en la recogida de datos y su procesamiento.

En el siglo XVI, Girolano Cardona realiza uno de los primeros trabajos sobre
las probabilidades.

El estadístico Ingles John Graunt (1620-1674) fue el primero en hacer

predicciones basadas en unas listas, como por ejemplo: cuanta gente podría
morir por determinadas enfermedades y la proporción estimada de nacimientos
de mujeres y varones. Por ello se le considera el padre de la demografía.

Christian Huygens en 1656 publica un libro sobre las probabilidades de los

juegos, fundamentado en los trabajos de Blaise Pascal y Pierre de Fermat.

EDAD CONTEMPORANEA.

En 1934, Jerzy Neyman (matemático y estadístico) introdujo la teoría de los

intervalos de confianza, la forma de estimar un parámetro.

Sir Ronald Aymelr Fisher (estadístico y biólogo) en 1935, realizo aportes

originales en el campo de la inferencia estadística, publico un libro, en el que
introdujo el concepto de hipótesis nula.

Más adelante, con la aparición de la teoría de probabilidades (pilar

fundamental de la estadística inferencial), la estadística dejo de ser una
mera colección de técnicas organizativas y consiguió un alcance insospechado
como ciencia predictiva.

2
2.-DEFINICION

Se llama Estadística Inferencial o Inferencia Estadística a la rama encargada

de hacer deducciones, es decir, inferir propiedades, conclusiones y tendencias,
a partir de una muestra extraída de ella, mediante una serie de técnicas de
análisis. Con la información obtenida, se elaboran modelos que luego permiten
hacer predicciones acerca del comportamiento de dicha población.

La estadística inferencial emplea usualmente mecanismos que le permiten

llevar a cabo dichas deducciones, tales como pruebas de estimación puntual (o
de intervalos de confianza), pruebas de hipótesis, pruebas paramétricas (como
de media, diferencia de media, proporciones, etc.) y no paramétricas (como la
prueba del chi-cuadro). Además de los análisis de correlación y de regresión,
las series cronológicas, el análisis de varianza entre otros.

3.-USO – UTILIDAD

La función de la estadística inferencial es facilitar el estudio de datos a partir

de una escala menor e interpretarlos para atribuir las conclusiones a una
escala mayor de datos. A partir de esto, mayor información puede ser
analizada mediante la observación de sólo una parte de ella. También, permite
realizar pronósticos de posibles futuros eventos, lo que facilita definir rutas de
acción temprana en caso de que se puedan presentar problemas o para
mejorar.

Para que la estadística inferencial proporcione buenos resultados debe:

1. Basarse en una técnica estadística-matemática adecuada al

problema y suficientemente validada.
2. Utilizar una muestra que realmente sea representativa de la
población y de un tamaño suficiente.

3.1.- POBLACIÓN

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. Por lo tanto, una población se precisa como un
conjunto finito o infinito de personas u objetos que presentan características
comunes.

Según Levin & Rubin (1996), “Una población es un conjunto de todos los
elementos que estamos estudiando, acerca de los cuales intentamos sacar
conclusiones”.

3
3.2.-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 con

la finalidad de que los resultados de esta muestra sean válidos para la
población de la que sea obtenida la muestra.

Para Murria R. Spiegel (1991) “Se llama muestra a una parte de la población a
estudiar que sirve para representarla”.

Cadenas (1974) indica que “Una muestra debe ser definida en base de la
población determinada, y las conclusiones que se obtengan de dicha muestra
solo podrán referirse a la población en referencia”,

3.3.-DESVIACIÓN ESTÁNDAR

Es un componente fundamental para calcular el tamaño de la muestra

de investigación, se trata de la separación o dispersión que presentan los
datos contenidos en el conjunto en relación con la media.

Para calcular la desviación estándar necesitamos el dato de varianza (una

medida que representa la variabilidad de una serie de datos respecto a su
media) y puede ser a nivel de una población y muestra.

Formula.

POBLACION. MUESTRA

( X −X̅ ) ² ∑(X −X ) ²
σ2=∑¿ s2=
n n−1

( X −X̅ ) ²
Pondremos un ejemplo de población: σ2=∑¿
n

Primero calcularemos la media, que es el valor obtenido al sumar todos los

datos y dividirlo entre el número total de datos.

4
 ×=∑ x
n

Ejemplo

84 , 91 ,72 , 68 , 87 , y 78 kg .
El peso de seis amigos es: N total de los datos=δ

84+ 91+72+68+ 87+78

X=
6

X= 80kg

X= 80

Con la media que se obtuvo podemos calcular la varianza, con el N de datos

restándolo con la media o promedio.

( 84−80 )2 + ( 91−80 )2+ (72−80 )2 + ( 68−80 )2 + ( 87−80 )2 +(78−80)²

σ2=
6

σ2= 20,6kg σ=√ 20,6 σ=4,55kg.

Varianza despejamos desviación estándar

Para obtener

3.4.-ERROR ESTANDAR (SE)

Es la desviación estándar aproximada de una muestra de población,

mide la precisión con la que una distribución de muestra representa a
una población utilizando la desviación estándar . Cuanto menor sea el
error estándar, más representativa será la muestra para la población total.

Para calcular el error estándar necesitaremos el número total de datos y la

desviación estándar.

5
Formula:

varianza
Sx=
√ N total de datos

Como se mostró anteriormente, la raíz cuadrada de la varianza nos dará como

resultado la desviación estándar.

Entonces la formula tomaría la siguiente forma:

δ
Sx=
√n

Tomando como ejemplo el ejercicio de la desviación estándar hallaremos el

error estándar

DATOS: δ=4,55 n= 6

Reemplazamos en la fórmula:

4,55
Sx=
√6

Sx=1,86

El resultado obtenido es la medida de la incertidumbre de la estadística de

prueba del ejemplo anteriormente mencionado.

3.5.-HIPOTESIS NULA (HO)

Esta hipótesis considera que todas las observaciones y las diferencias de los
resultados respecto al promedio universal, en esta área se deben a una
casualidad o azar.

3.6.-HIPOTESIS ALTERNA (HA)

Es la que se considera que las observaciones y las diferencias de los

resultados respecto al promedio universal, se debe más bien a causas
significativas en las que el azar no interviene.

Ejemplo

6
Si el promedio de la talla de los varones bolivianos es 1.75 ms y tenemos una
muestra de 245 hombres que tienen una talla media de 1.74 su desvió estándar
de 0.2; la pregunta es: Esa muestra ¿pertenece al universo de los varones
bolivianos?

Promedio universal es 1.75

Promedio muestral es 1.74

Desvió estándar es 0.2

σ 0,2 0,2
S x= =0,013
√n √245 15.65

El desvio estándar es de 0.013

I.C.= promedio muestral +/_ 1.96×Errores estándar

Para el ejemplo:

LIMITE MÁXIMO:

1.74 + 1.96*0.013

1.74+0.0274

1.7654

LIMITE MÍNIMO

1.74 - 1.96*0.013

1.74 - 0.0254

1.7146

En forma esquemática se dirá:

HIPOTESIS NULA (HO)

7
La diferencia entre 1,75 y 1,74 mts se debe al azar o casualidad, en
consecuencia la muestra pertenece al universo de varones bolivianos.

HIPOTESIS ALTERNA (HA)

La diferencia entre 1,75 y 1,74 mts, se debe a que la muestra no pertenece al

universo de varones bolivianos.

3.7.- INTERVALO DE CONFIANZA

Describe la variabilidad entre la medida obtenida de un estudio y la

medida real de la población. Corresponde a un rango de valores y en
él se encuentra, con alta probabilidad, el valor real de una determinada
variable. Estos valores van a acotar un rango dentro del cual, con una
determinada probabilidad, se va a localizar el parámetro poblacional.

Intervalo de confianza = media +- margen de error

Ejemplo de intervalo de confianza para la media, asumiendo normalidad y

conocida la desviación típica

El estadístico utilizado para el cálculo sería el siguiente:

El intervalo resultante sería el siguiente:

Vemos como en el intervalo a la izquierda y derecha de la desigualdad

tenemos la cota inferior y superior respectivamente. Por tanto la expresión nos

8
dice, que la probabilidad de que la media poblacional se sitúe entre esos
valores es de 1-alfa (nivel de confianza).

Ejemplo.

Se desea estimar la media del tiempo que un corredor emplea para completar
una maratón. Para ello se han cronometrado 10 maratones y se ha obtenido
una media de 4 horas con una desviación típica de 33 minutos (0,55 horas). Se
desea obtener un intervalo al 95% de confianza.

Para obtener el intervalo, no tendríamos más que sustituir los datos en la

fórmula del intervalo.

El intervalo de confianza, sería la parte de la distribución que queda sombreada

en azul. Los 2 valores acotados por este serían los correspondientes a las 2
líneas de color rojo. La línea central que parte la distribución en 2 sería el
verdadero valor poblacional.

Es importante resaltar que en este caso, dado que la función de densidad de la

distribución N(0,1) nos da la probabilidad acumulada (desde la izquierda hasta

9
el valor crítico), tenemos que encontrar el valor que nos deja a la izquierda
0,975% (este es 1,96

3.8 ESTIMACION PUNTUAL

Es cuando se utiliza un único valor para estimar el parámetro

poblacional, se usa un punto en concreto de la muestra para estimar el
valor deseado. Cuando estimamos un parámetro de forma puntual,
podemos saber con certeza, cuál es ese valor.

Por ejemplo

En una población de 30 personas de las que seleccionamos una

muestra de 20 , tomamos datos sobre sus edades, sumamos esos 20
datos y dividimos entre el total de la muestra.

Pero si queremos estimar la altura media de esa muestra, al contrario

que antes, no tenemos el valor de la altura de cada persona. En este
caso tendríamos que realizar un estimación por intervalos, podríamos
acotar el valor más alto y más bajo de las alturas de las personas con
cierto nivel de confianza.

Otro ejemplo:

La media semanal de horas de asistencia a una biblioteca de cuatro miembros

de una familia es 3, 7, 5 y 4 respectivamente. ¿Cuál puede considerarse la
media semanal de asistencia a la biblioteca de la familia?

Podemos considerar la medida de la familia como la media de las medias de

los cuatro miembros.

10
4.-SIMBOLOS

ARÁMETRO POBLACIÓN MUESTRA

Media Ų X̅

Varianza σ2 s2

Desviación estándar σ s

Proporción p p̂

S2 Se refiere a la varianza simple

r: Simboliza la simple correlación de coeficientes.
Kr Simboliza el cúmulo de las muestras.
Μ Se refiere a la población como tal.
σ2 Simboliza la varianza de la población.
Ρ Simboliza la correlación de la población
 Κr Simboliza los cúmulos de población.
N Simboliza el número de elementos en una distribución de la muestra.
Α La letra griega alpha simboliza la intercepción o un error de tipo I.
 Β La letra griega beta simboliza vertiente o un error de tipo II.
Σ La letra griega sigma simboliza la desviación estándar de la población.
S La letra s significa la desviación estándar de la muestra.
s2 La letra s al cuadrado simboliza la varianza de la muestra.
Simboliza la distribución, y también es conocida como la distribución
C para una variable independiente:
Se refiere a la distribución que no es lo mismo que y también es
U conocida como variable dependiente.
Simboliza todos los elementos (generalmente números) en una
SC distribución.
N Simboliza el número de elementos una distribución poblacional.

11
5.-BIBLIOGRAFIA

1. Estadistica.net. [Internet]. Historia estadística pdf. [citado el 16 de marzo de 2023].

Disponible en: https://www.estadistica.net/Historia-Estadistica.pdf

2. Ángel M, Villegas G. Miguel Ángel Gómez Villegas [Internet].

Editdiazdesantos.com. [citado el 16 de marzo de 2023].
Disponible en: https://www.editdiazdesantos.com/wwwdat/pdf/9788479786878.pdf

3. La exposición clara •. Amplia Cobertura: Ofrece Una Oferta Más Rigurosa Con
Cobertura Tradicional de Probabilidad Más de 35 Años de Enseñanza y. Experiencia en
la Escritura Contribuyen a., interesantes y ejercicios eficaces. E. a la probabilidad
[Internet]. Buap.mx. [citado el 16 de marzo de 2023].
Disponible en: https://www.fcfm.buap.mx/jzacarias/cursos/estad2/libros/book5e2.pdf

4. 01. Estadística Inferencial Aplicada Autor Violeta Alicia Nolberto Sifuentes y María
Estela Ponce Aruneri.pdf [Internet]. Google Docs. [citado el 16 de marzo de 2023].
Disponible en:
https://drive.google.com/file/d/1C0KhgSn_w9BsnRD6jYjGrxYchx6sQLDL/view

5. Estadística inferencial [Internet]. Enciclopedia Económica. 2021 [citado el 18 de

Marzo de 2023]. Disponible en: https://enciclopediaeconomica.com/estadistica-
inferencial/

6. INFOAMÉRICA [Internet]. Infoamerica.org. [citado el 18 de marzo de 2023].

Disponible en: https://www.infoamerica.org/teoria/fisher1.htm

7. Silva EJS. La estadística [Internet]. Monografias.com. 2011 [citado el 19 de marzo

de 2023]. Disponible en: https://www.monografias.com/trabajos84/definicion-
estadistica/definicion-estadistica

8. SANJUAN JFM.Intervalo de confianza [Internet]. Economipedia.2017 [citado el 19

de marzo de 2023]. Disponible en: https://economipedia.com/definiciones/intervalo-de-
confianza.html

9. Estadística inferencial. Media muestral. Estimación puntual. Estimadores puntuales.

Estimación de parámetros. [Internet]. Calculo.cc. [citado el 19 de marzo de 2023].

12
Disponible en:
https://calculo.cc/temas/temas_estadistica/muestreo/teoria/estimacion.html

6.- ANEXOS

6.1 Preguntas

1.- ¿CUAL ES SU HISTORIA?

Durante la edad contemporánea en 1934, Jerzy Neyman (matemático y

estadístico) introdujo la teoría de los intervalos de confianza, la forma de
estimar un parámetro. Otro estadístico y biólogo Sir Ronald Aymelr Fisher en
1935, realizo aportes originales en el campo de la inferencia estadística,
publico un libro, en el que introdujo el concepto de hipótesis nula.

2.- ¿CUÁL ES SU DEFINICION?

Se llama Estadística Inferencial o a la rama encargada de hacer deducciones,

inferir propiedades, conclusiones y tendencias, a partir de una muestra extraída
de ella, mediante una serie de técnicas de análisis. Con la información
obtenida, se elaboran modelos que luego permiten hacer predicciones acerca
del comportamiento de dicha población.

3.- ¿PARA QUE SIRVE?

La estadística inferencial facilita el estudio de datos a partir de una escala

menor e interpretarlos para atribuir las conclusiones a una escala mayor de
datos. A partir de esto, mayor información puede ser analizada mediante la
observación de sólo una parte de ella. También, permite realizar pronósticos de
posibles futuros eventos, lo que facilita definir rutas de acción temprana en
caso de que se puedan presentar problemas o para mejorar.

4.- ¿CUALES SON LOS SIMBOLOS FRECUENTES DE USO?

1.-Media: X̅

2.-Varianza: s2

3.-Desviación estándar: s

13
4.- Representación de sumatoria: Σ

5.- Muestra: n

6.2 Mapa conceptual

14
6.3 Mapa mental

15