U.T.

D INTRODUCCIÓN A LA ESTADÍSTICA INFERENCIAL

El objetivo de un estudio descriptivo es conocer las
características de los individuos de una población. Pero
existen diferentes motivos que dificultan este objetivo:
1. No disponer de acceso a la totalidad de los
individuos de la población
2. Imposibilidad de estudiar a todos los individuos
3. Urgencia por disponer de información
4. Coste del estudio si la población es muy amplia.

Para evitar estos inconvenientes se recurre al estudio de

una muestra, a partir de la cual se pueden inferir, inducir
o estimar las características de la población de la que se
ha extraído. esto es lo que hace la Estadística inferencial,
Inductiva o Analítica, que busca obtener conclusiones
sobre una población desconocida a partir de una muestra
de esa población.

Un estadístico es una medida obtenida de una muestra

procedente de una población.
Un parámetro es una medida de la población total o
universo.
U.T.D ESTADÍSTICA INFERENCIAL
Para realizar estos estudios se recurre a:
1. Estadística Paramétrica
- Estimación de parámetros
- Pruebas de hipótesis
- Pruebas de comparación
2. Estadística no paramétrica.

Una de las primeras decisiones a tomar es la

especificación y acotación de la población a analizar.
- Población o universo de estudio: conjunto total
de unidades para las que se desea obtener
información en un espacio y tiempo concretos.

- Marco muestral: debe ser lo más completo

posible, hoy es decir, debe incluir la totalidad de
la variabilidad de la población, y no debe incluir
unidades que no correspondan a la población
analizada.

Cuanto más heterogénea sea una población

mayor será su varianza y, en consecuencia, necesitaremos
un mayor tamaño muestral para que la totalidad de la
variedad de los componentes de la población esté
representada en la muestra.
Una vez definida la población se procede al Diseño de la
muestra, mediante una técnica de muestreo.
 La representatividad de la muestra dependerá del tipo
de muestreo elegido (la muestra debe ser una
representación a pequeña escala de la población).

1. MUESTREO PROBABILÍSTICO
Es el tipo de muestreo más adecuado para técnicas
de estimación de parámetros o de comprobación de
hipótesis.
Su fundamento es la aleatorización como criterio
esencial en la selección de la muestra. Así se
favorece:
- que cada unidad de la población tenga la misma
probabilidad de participar en la muestra
- que la elección de cada unidad muestral sea
independiente de las demás.
- el cálculo de la estimación se hará dentro de
unos márgenes de probabilidad específicos.
Existen varios procedimientos:
1.1. Muestreo aleatorio simple: se adjudica un
número de identificación a cada unidad y luego
se procede a la extracción aleatoria de los
integrantes de la muestra.
Cada unidad de la población tiene una
probabilidad igual de pertenecer a la muestra.
La selección es totalmente aleatoria.
1.2. Muestreo aleatorio sistemático: más utilizado
que el anterior. Sólo se elige al azar la primera
unidad, siempre que el número seleccionado
sea inferior a el coeficiente de elevación
(número de veces que la muestra está
contenida en el universo N/n).
El resto de los elementos se calcula sumando
sucesivamente el coeficiente de elevación hasta
completar el tamaño muestral.
Ventaja: no precisa el uso continuo del
procedimiento de asignación aleatorio.
1.3. Muestreo aleatorio estratificado:
Clasifica las unidades de la población en grupos
o estratos en base a alguna característica propia
(por sexo, edad,..) para que las diferencias sean
mínimas dentro de cada estrato.
Ventajas: hoy es más preciso, representativo y
facilita la organización del trabajo de campo.
Inconvenientes: necesita más información y
cálculos más complejos.
1.4. Muestreo aleatorio por conglomerados:
Define agrupaciones de los individuos en base a
alguna característica accidental (geográfica,
administrativa o institucional).
Suele hacerse un muestreo polietápico por
conglomerados Ej. Comunidad Autónoma-
municipios-secciones censales.
Es muy habitual en investigación social.
Suele combinarse con otros tipos de muestreo.
2. MUESTREO NO PROBABILÍSTICO
La extracción de la muestra se realiza siguiendo
criterios diferentes de la aleatorización.
2.1. Muestreo por segmentación o cuotas: Se
elabora una matriz con las características de la
población a analizar (criterios de segmentación)
y luego se delimitan las unidades que forman
cada segmento (cuotas).
El investigador es libre de elegir los segmentos y
las cuotas que mejor le parezcan.
2.2. Muestreo accidental: La selección de las
unidades de la muestra es de forma casual sin
ningún criterio previo.
Los resultados obtenidos no son representativos
de toda la población.
Es muy frecuente en el medio sanitario y para
estudios orientativos como encuestas de
opinión.
2.3. Muestreo estratégico, de conveniencia u
opinático: La selección de las unidades
muestrales es por criterios subjetivos acordes
con los objetivos de la investigación.
Se utiliza en estudios cualitativos en los que no
interesa la generalización estadística.
 Estimación de Parámetros:
A. Errores:
a.1. Error aleatorio/ imprecisión o
dispersión: el error muestral es de este
tipo. Se define como la diferencia entre un
estadístico y su parámetro.

a.2. Error sistemático o sesgo: siempre

proporciona valores desviados en un
mismo sentido. la investigación buscará
eliminar o prevenir los sesgos mediante un
diseño muestral adecuado.
B. La distribución muestral:
Si calculamos repetidas veces un
estadístico sobre muestras diferentes de una misma
población, obtendremos una distribución de ese
estadístico. (Ej. Medias muestrales de una misma
población).
Por el Teorema del Límite Central se comprueba que las
medidas obtenidas se aproximan a una distribución
normal.
En esta distribución, para ese estadístico, podremos
calcular la desviación típica de la distribución muestral de
ese estadístico, qué es el error típico o estándar de ese
estadístico.
En el caso de que ese estadístico sea la media, se
comprueba que:
- La distribución de medias de las muestras
obtenidas desde una población que sigue una
distribución normal, tiende a una curva normal.
- La media de la distribución muestral se aproxima
a la media de la población.
- El error típico de la media vale:

C.Niveles de confianza/ coeficiente de riesgo e intervalos

confidenciales:
En la estadística inferencial, tratamos de conocer cuál es
el parámetro de una población mediante los datos
obtenidos en una muestra. Para ello definiremos:
- Niveles de confianza o coeficiente de riesgo: es
la probabilidad de acierto o error de que un
estadístico se aparte del parámetro
correspondiente. Normalmente se utilizan
niveles de confianza del 95 y 99%, que
corresponden a 5 y 1% de niveles de riesgo.
 - Intervalos de confianza: Son las puntuaciones
directas sobre las cuales afirmamos, a un nivel
de confianza establecido, que el estadístico no se
aparta del parámetro.
D. Teoría de la estimación:
Un parámetro de la población es estimado a partir de la
muestra, siendo el estimador la función o estadístico
elegido entre todos los posibles para caracterizar el
parámetro.
Ej. La estimación de la media poblacional a partir de la

media muestral .
Se puede realizar de 2 formas:
- Estimación por puntos: poco utilizada por su
imprecisión. se calcula un solo número, que es la
estimación del parámetro. para indicar la
precisión de esta estimación utilizamos el error
estándar de la media.

Para calcular el error estándar de la media es

necesario conocer la desviación estándar de la
población que podemos estimar a partir de la
desviación típica de la muestra:

- Estimación por intervalos:

Es más utilizada. Se establecen dos valores que
definen un intervalo, entre los que estimamos
que se encuentra el valor del parámetro con una
probabilidad determinada. Esta estimación se
puede realizar sobre distribuciones con variables
cuantitativas y cualitativas.
Para variables cuantitativas la estimación de la
media poblacional es:

en la que representa el desvío reducido para el

riesgo prefijado en la distribución teórica
correspondiente, que si la muestra es grande (N
mayor de 30) sigue la distribución normal, pero
si es pequeña (N menor o igual a 30), sigue la
distribución t de Student.