UNIVERSIDAD NACIONAL DE INGENIERÍA

Facultad de Ingeniería Química y Textil

2021 - 1
INFERENCIA ESTADÍSTICA

MA-613
 INFERENCIA ESTADÍSTICA

• La Inferencia Estadística es una parte de la

estadística que trata de estimar y predecir el
comportamiento de una población a partir de
una muestra extraída de esa población, existirá
una incertidumbre sobre los resultados
esperados que es cuantificado por las
probabilidades.
• Gracias a la inferencia estadística se puede
generalizar las conclusiones extraídas de una
muestra sobre la población, con cierto grado de
incertidumbre ó error.
 ¿Qué necesitamos para hacer
inferencia?

• Una muestra representativa (generalmente

aleatoria), lo suficientemente grande.

• Observaciones independientes.

• La distribución del estimador; nos permite

calcular probabilidades ⇒ es la clave para hacer
inferencia!
 Tipos de inferencia estadística:

• Cálculo numérico en forma

I.- Estimación de puntual y con intervalo de
Parámetros: confianza.

• Respuesta a una hipótesis o

pregunta sobre el valor de un
II.- Prueba de parámetro en la población
hipótesis: • No se logra tener certeza: la
respuesta se da como una
probabilidad
 I. Estimación de Parámetros:

• Los parámetros de una población tienen un

valor fijo, (es un número exacto)
• Usualmente estos parámetros no se conocen,
por que es complicado medir a ‘toda la
población’
• Ante esto, los parámetros se ‘estiman’ a partir
de una ‘muestra’ de la población.
• La estimación puede ser ‘puntual’ o en un
‘intervalo de confianza’
 Estimación de Parámetros:

• Puntual: determina qué posible valor del parámetro

de la población es más consistente con los datos
observados en la muestra. Ejemplo: el cálculo de un
promedio

• Por intervalo: determina posibles valores de un

parámetro.
• Es mejor estimar el intervalo de confianza de un
parámetro antes que su estimación puntual…

https://youtu.be/NXvPmFUzHlM
 INTERVALO DE CONFIANZA

• Se llama intervalo de confianza a un par de

números entre los cuales se estima que estará
cierto valor desconocido con una determinada
probabilidad de acierto.

• Estos números determinan un intervalo que se

calcula a partir de datos de una muestra.
• Es decir:
P( L1    L2 )  1  
• donde:
1    nivel de confianza
  nivel de significación (error a considerar )
• θ : parámetro desconocido
• Existe un intervalo de confianza al 1 - α % de
que un parámetro θ este en el intervalo :
 L1 ; L2 
 I.- Intervalo de confianza para la
media poblacional μx

• Rango de valores o intervalo , que consiste en

calcular los límites de confianza para la media
poblacional :
P( L1   X  L2 )  1  
Para estimar μx , el estadístico que mejor nos va
a ayudar es X del que conocemos su ley de
distribución.
Para calcular los límites de confianza de μx
tenemos dos casos:
1er Caso: Si se conoce la varianza
poblacional σ2

  x2 
X ~ N  x ; 
 n 

Esa ley de distribución depende de μx (desconocida),

como σ2 es conocida, estandarizamos

X  X
Z ~ N (0,1)
X
n
 ……1er Caso: Si se conoce la
varianza poblacional σ2

• De este modo, fijado α consideramos la v.a Z~N(0,1) y

tomamos un intervalo que contenga una probabilidad
de 1- α.

• Este intervalo lo queremos tan pequeño como sea

posible. Por ello lo mejor es tomarlo simétrico con
respecto a la media (0), ya que allí es donde se acumula
la mayor cantidad de masa (ver figura).

• Así las dos colas de la distribución (zonas más alejadas

de la media) se repartirán a partes iguales del resto de
la masa de probabilidad, α
 ……1er Caso: Si se conoce la varianza
poblacional σ2

• -Z1-/2 Z1-/2
……1er Caso: Si se conoce la varianza
poblacional σ2

• El intervalo alrededor del origen que

contiene la mayor parte de la masa 1-α es
el intervalo siguiente

  z1 /2 ; z1 /2 
• Es decir:
P( z  z1 / 2 )  1  
……1er Caso: Si se conoce la varianza
poblacional σ2

X  X
z  z1 / 2   z1 / 2
X
n
X
 X   X  z1 / 2
n

• Error máximo de estimación

…1er Caso: Si se conoce la varianza
poblacional σ2
X X
  z1 /2  X   X  z1 /2
n n
X X
  X  z1 /2    X   X  z1 /2
n n
X X
 X  z1 /2   X  X  z1 /2
n n
La forma habitual de escribir este intervalo cuando es conocida σ2 es:

X
LC (  X )  X  z1 / 2
n
 2do.Caso: Si no se conoce la
varianza poblacional σ2

Lo usual es que sobre una población

quizás sí podamos conocer si se distribuye
normalmente, pero el valor exacto de los
parámetros no son conocidos.

Para ello, cuando n<30 y se conoce S2x

nos vamos a ayudar de la prueba
estadística de t-student siguiente:
 ….2do.Caso: Si no se conoce la
varianza poblacional σ2

X  X
T ~ t( n 1) g .l .
SX
n
• Dado el nivel de significación 1-α buscamos en
una tabla de T, el valor de t con (n-1)g.l. y con
1-α/2 de probabilidad
• Por simetría de la distribución de T student se
tiene que
 ….2do.Caso: Si no se conoce la
varianza poblacional σ2

P( t  t( n1,1 / 2) )  1  
• El intervalo de confianza se obtiene a partir del
siguiente cálculo:
SX SX
P( X  t( n 1,1 /2)   X  X  t( n 1,1 /2) )  1 
n n

La forma habitual de escribir este intervalo cuando no es

conocida σ2 es:

SX
LC (  X )  X  t 1 /2 ,n1 g .l
n
……2do.Caso: Si no se conoce la
varianza poblacional σ2

-t1-/2 t1-/2
II.- Intervalos para la diferencia de
medias de dos poblaciones 1  2

1er.Caso: Si las varianzas poblacionales 1  2

y  2
2

son conocidas:
x  x   1   2 
Z 1 22
 1  22

n1 n2

siguiendo los mismos pasos, del 1er. Caso para estimar el

intervalo de confianza para  X ahora tenemos para 1  2

 12  22
LC ( 1   2 )   X 1  X 2   z1 / 2 
n1 n2
2do.Caso: Si las varianzas poblacionales  12 y  22
no son conocidas:

a) Si  = 
2
1
2
2

Muestras pequeñas y varianzas muestrales conocidas

LC (1  2 )  X 1  X 2   t( n1 n2 2 gl ; 1 / 2) S p

donde:

 1 1  S12 (n1  1)  S 22 (n2  1) 

S p     
 n1 n2  n1  n2  2 
 b) Si  12   22

S12 S 22
LC ( 1   2 )   X 1  X 2   t(1 / 2;G gl ) 
n1 n2

donde: 2
S 2
S 2

n
1
 
2

G   12 2  2
n
 S12   S 22 
   
 n1    n2 
n1  1 n 2  1
 PRUEBA DE HIPÓTEIS

MA-613
 PRUEBA O CONTRASTE DE
HIPÓTESIS

El objetivo es exponer los métodos básicos que se aplican para

tomar decisiones sobre la conjetura que se hace acerca de valor
numérico del parámetro de una población en estudio.

Entonces la prueba de hipótesis nos conduce a tomar la decisión

de rechazar o no rechazar la afirmación acerca del valor numérico
del parámetro de la población. Esta suposición tiene el nombre
genérico de hipótesis estadística y puede ser verdadera o no.
https://youtu.be/dzMD7KVbtfQ
 PRUEBA O CONTRASTE DE
HIPÓTESIS

Una hipótesis estadística es una

asunción relativa a una o varias
poblaciones, que puede ser cierta o no.

Mediante las hipótesis estadísticas se

pueden contrastar con la información
extraída de las muestras.
 CLASES DE HIPOTESIS

• La hipótesis formulada con intención

de rechazarla se llama hipótesis nula
y se representa por H0.
• H0 es la hipótesis que se formula
antes de tener información de la
muestra, generalmente en base
estudios anteriores o por la
experiencia del investigador.
27
 CLASES DE HIPOTESIS

• Rechazar H0 implica aceptar una

hipótesis alternativa (H1) (es la
hipótesis que se formula como
alternativa de la nula, después de tener
información de la muestra).

• Normalmente H1 es la negación de H0.

28
 CLASES DE HIPOTESIS

• La decisión de rechazar o no la
hipótesis nula está al fin y al cabo
basado en la elección de una muestra
tomada al azar, y por tanto es posible
cometer decisiones erróneas.

• Los errores que se pueden cometer

se clasifican como sigue:
29
 CLASES DE ERRORES

Error de tipo I :
• Es el error que consiste en rechazar H0
cuando es cierta.
• La probabilidad de cometer este error
es lo que se denomina nivel de
significación, se denota con la letra α.

α = P (rechazar H0 | H0 cierta)

30
 CLASES DE ERRORES

Error de tipo II:

• Es el error que consiste en no
rechazar H0 cuando es falsa.
• Se denota con la letra β
β =P(aceptar Ho| Ho falsa)

31
 CLASES DE ERRORES

H0 cierta H0 falsa

H0 rechazada Error tipo I (α ) Decisión

correcta

H0 no Decisión Error tipo II (β )

rechazada correcta

32
 Pasos para realizar una
Prueba de Hipótesis

1. Establecer la hipótesis nula en

términos de igualdad

H 0 :   0

Nota.- La Hipótesis Nula, también puede

ser opuesta a la alternativa.

33
 Pasos para realizar una
Prueba de Hipótesis

2. Establecer la hipótesis alternativa, que

puede hacerse de tres maneras,
dependiendo del interés del investigador
Pudiendo ser de cualquiera de estas
formas (para la H0 del paso anterior):

H1 :    0 Prueba de 2 colas (contraste bilateral )

H1 :    0 Prueba de una cola a la Derecha (contraste lateral a la derecha)
H1 :    0 Prueba de una cola a la Izquierda (contraste lateral a la izquierda)

34
 Pasos para realizar una
Prueba de Hipótesis

Nota: En los siguientes casos de Ho sólo

es posible una H1:

H o :   0 H o :  0
H1 :    0 H1 :    0

35
 Pasos para realizar una
Prueba de Hipótesis

3. Elegir un nivel de significación α :

nivel crítico

4. Suposiciones del Modelo:

• Poblaciones Normales
• Muestras aleatorias

36
 Pasos para realizar una Prueba
de Hipótesis

5. Elegir un estadístico de contraste:

Z, T, estadístico cuya distribución muestral se

conozca en Ho, y establecer en base a dicha
distribución, la región crítica: Región de
Rechazo de Ho (probabilidad α ) región en la
que, si el estadístico cayera en la misma, se
rechazaría Ho; y también la Región de
Aceptación Ho (1- α ).

37
 Pasos para realizar una Prueba
de Hipótesis

6. Calcular el estadístico para una muestra

aleatoria reemplazando el valor propuesto
del parámetro (valor calculado) y
compararlo con la región crítica (en base a
las tablas estadísticas).

7. Interpretación, de acuerdo al problema.

38
Observaciones

La región de aceptación de la hipótesis

nula es la que corresponde a 1- α

Si el valor calculado cae en la zona de

aceptación de Ho : Se acepta la Ho .

Si el valor calculado cae en la zona de

rechazo de Ho : Se rechaza Ho y se
acepta la Alternativa H1

39
Estudiaremos Prueba o Contrastes
de Hipótesis para :

La Media Poblacional
(Varianza conocida y
Desconocida).

La diferencia de
Medias Poblacionales
(Varianzas conocidas y
Desconocidas)

40
 OBSERVACIÓN

• Tener en cuenta que, de esta manera, se

está más seguro cuando se rechaza una
hipótesis que cuando no.

• Por otro lado, la decisión se toma en base

a la distribución muestral en H0, por eso
es necesario que tenga la igualdad.

41
I. Prueba de hipótesis para la media
poblacional μx

• Suponemos que
  x2 
X ~ N (, )2 X ~ N  x ; 
 n 
• a) Con varianza 2 conocida

   0
  x  0 
H 0 :   0 H1 :     0 Z cal    n
  
 0
 x 

42
 I. Prueba de hipótesis para la
media poblacional μx

• Regiones críticas de una media con 2 conocida

Si Z cal  R. Aceptacion de Ho  Aceptar Ho

Si Z cal  R. de Re chazo de Ho  Re chazar Ho y Aceptar H1

43
 I. Prueba de hipótesis para la
media poblacional μx

• b) Con varianza 2 desconocida

Muestra pequeña n<30 y S2 conocida

   0

H 0 :   0 H1 :     0
  
 0

 x  0 
tcal    n
 Sx 
44
 I. Prueba de hipótesis para la
media poblacional μx

• Regiones críticas de una media con 2 desconocida

Si tcal  R. Aceptacion de Ho  Aceptar Ho

Si tcal  R. de Re chazo de Ho  Re chazar Ho y Aceptar H1

45
II. Prueba de hipótesis para la Diferencia
de medias poblacionales μ1 – μ2

• Sean X1 ~ N ( 1;  12 ) X 2 ~ N ( 2 ;  22 )
  12  22 
( X1 - X 2 ) ~ N  1  2 ;  
 n 1 n2 

a) Con varianzas 21 y 22 conocidas

 1  2  
zcal 
 x1  x 2    

H 0 : 1  2   H1 :  1  2    12  22
     
 1 2 n1 n2

46
II. Prueba de hipótesis para la Diferencia
de medias poblacionales μ1 – μ2

b) Con varianzas 21 y 22 desconocidas

• (Hacer primero la prueba de HOMOGENEIDAD DE VARIANZAS)
 1  2  

H 0 : 1  2   H1 :  1  2  
    
 1 2

(i ) Si  12   22

tcal 
x1  x 2      1 1  S12 (n1  1)  S 22 (n2  1) 
S p     
Sp  1
n n2  n1  n2  2 

47
II. Prueba de hipótesis para la Diferencia
de medias poblacionales μ1 – μ2

(ii) Si  12   22
tcal 
 x1  x2   
s12 s22

n1 n2

• Se contrasta con t(1 / 2;G gl ) donde 2

 S12 S22 
n  n 
G   12 2  2
 S12   S 22 
   
 n1    n2 
n1  1 n 2  1

48
II. Prueba de hipótesis para la Diferencia
de medias poblacionales μ1 – μ2

• Nota:- si lo que pretendemos contrastar es si las

medias poblacionales de dos muestras
independientes obtenidas de poblaciones
normales son idénticas, esto se reduce a los
casos anteriores tomando =0, es decir,
realizando el contraste:

H o : 1   2  0 (no hay diferencia significativa)

H1 : 1   2  0 ( hay diferencia significativa)

49