1.

Inferencia

La inferencia estadística 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.

2. ESTADÍSTICA DESCRIPTIVA
Rama de la Estadística que trata sobre la descripción y análisis estadístico de una
población, que resumen y presenta datos obtenidos de la población o de una
muestra, mediante métodos adecuados.

Tiene como objetivo, caracterizar los datos, de manera gráfica o analítica, para
resaltar las propiedades de los elementos bajo estudio.
La siguiente pregunta: ¿En promedio el número total de respuestas correctas, de
una prueba de compresión lectora, es la misma en todas las secciones de quinto
grado de primaria de Instituciones Educativas de Lima Metropolitana?, se resuelve
con el apoyo de la Estadística Descriptiva.

3. ESTADÍSTICA INFERENCIAL
Rama de la Estadística que estudia el comportamiento y propiedades de las
muestras y la posibilidad, y límites, de la generalización de los resultados obtenidos
a partir de aquellas a las poblaciones que representan. Esta generalización de tipo
inductivo, se basa en la probabilidad. También se le llama también Estadística
Matemática, por su complejidad matemática en relación a la Estadística Descriptiva.

4. MUESTREO
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, tópico importante de la Estadística, con la finalidad de que
los resultados de esta muestra sean validos para la población de la que sea obtenido
la muestra. Esta generalización se realiza empleando la estadística inferencial.

5. TIPOS DE MUESTREO

MUESTRA ALEATORIA
Una muestra aleatoria de tamaño n de la función de distribución de la variable
aleatoria X es una colección de n variables aleatorias independientes X , X , X ,...,Xn
1 2 3 cada una con la misma función de distribución de la variable aleatoria.

MUESTRA ALEATORIA APLICADA

Una muestra aleatoria de tamaño n es un conjunto de n observaciones n x , x , x ,...,

x 1 2 3 sobre las variables n X , X , X ,..., X 1 2 3 independientes e idénticamente
distribuidas.
 6. Probabilidad
Todos los acontecimientos futuros son inciertos hasta cierto punto. Es probable que
el gobierno actual del Reino Unido esté aún en el poder el próximo año (suponiendo
que dicho año no sea un año electoral), pero dista mucho de ser una certeza,
mientras que el hecho de que un gobierno comunista siga en el poder el año próximo
es altamente improbable, pero no imposible. La teoría de la probabilidad hace
posible medir la incertidumbre relativa de algún suceso, mediante la medición de su
probabilidad en una escala.

7. Distribuciones de probabilidad

Una distribución de probabilidad indica toda la gama de valores que pueden

representarse como resultado de un experimento si éste se llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el futuro, constituye
una herramienta fundamental para la prospectiva, puesto que se puede diseñar un
escenario de acontecimientos futuros considerando las tendencias actuales de
diversos fenómenos naturales.
Toda distribución de probabilidad es generada por una variable (porque puede
tomar diferentes valores) aleatoria x (porque el valor tomado es totalmente al azar),
y puede ser de dos tipos:

1. Variable aleatoria discreta (x). Porque solo puede tomar valores enteros y un
número finito de ellos. Por ejemplo:

 x ® Variable que define el número de alumnos aprobados en la materia de

probabilidad en un grupo de 40 alumnos (1, 2 ,3…ó los 40).

http://www.monografias.com/trabajos57/distribuciones-probabilidad/distribuciones
probabilidad.shtml#ixzz55sbt8UdY

Distribución de probabilidad normal

La distribución normal es, sin duda, la distribución de probabilidad más importante
del Cálculo de probabilidades y de la Estadística. Fue descubierta, como
aproximación de la distribución binomial, por Abraham De Moivre (1667-1754) y
publicada en 1733 en su libro The Doctrine of Chances; estos resultados fueron
ampliados por Pierre-Simon Laplace (1749- 1827), quién también realizó
aportaciones importantes. En 1809, Carl Friedrich Gauss (1777- 1855) publicó un
libro sobre el movimiento de los cuerpos celestes donde asumía errores normales,
por este motivo esta distribución también es conocida como distribución Gaussiana.
La importancia de la distribución normal queda totalmente consolidada por ser la
distribución límite de numerosas variables aleatorias, discretas y continuas, como
se demuestra a través de los teoremas centrales del límite. Las consecuencias de
estos teoremas implican la casi universal presencia de la distribución normal en
todos los campos de las ciencias empíricas: biología, medicina, psicología, física,
economía, etc. En particular, muchas medidas de datos continuos en medicina y en
biología (talla, presión arterial, etc.) se aproximan a la distribución normal. Junto a
lo anterior, no es menos importante el interés que supone la simplicidad de sus
características y de que de ella derivan, entre otras, tres distribuciones (ji-cuadrado,
t de Student y F de Snedecor) que se mencionarán más adelante, de importancia
clave en el campo de la contrastación de hipótesis estadísticas. La distribución
normal queda totalmente definida mediante dos parámetros: la media () y la
desviación estándar o desviación típica (). Su función de densidad es simétrica
respecto a la media y la desviación estándar nos indica el mayor o menor grado de
apertura de la curva que, por su aspecto, se suele llamar campana de Gauss. Esta
distribución se denota por N(,). Cuando la distribución normal tiene como
parámetros  = 0 y  = 1 recibe el nombre de distribución normal estándar. Cualquier
variable X que siga una distribución normal de parámetros  y  se puede
transformar en otra variable Y= (X-)/ que sigue una distribución normal estándar;
este proceso se denomina estandarización, tipificación o normalización.

8. TEORIA DEL LIMITE CENTRAL

La media de la muestra sigue una distribución normal, con la media de la población

y la desviación estandar, entonces podemos saber la probabilidad de cualquier
intervalo. La desviación estandar es como varia la población con respecto a la
media, estre más grande mayor varia y a la inversa.
El TLC es uno de los resultados matemáticos de uso más frecuente en la ciencia.
Nos dice que cuando el tamaño de la muestra es grande, la media de Y¯¯¯¯Y¯ de
una muestra aleatoria sigue una distribución normal centrada en la media de la
población μYμY y la desviación estandar es igual a la desviación estandar de la
población σYσY dividido por la raíz cuadrada del tamaño de la muestra N:
Y¯−μσY/N−−√Y¯−μσY/N
se aproxima a una distribución normal centrada en 0 y con una desviación estándar
1.
Ahora nos interesa la diferencia de medias entre dos muestras. Debido a que tanto
la muestra y poblacion son normales, la diferencia es normal, así, y la varianza (la
desviación estándar al cuadrado) es la suma de las dos varianzas. Bajo la hipótesis
nula de que no hay diferencia entre las medias de población.

Y¯−X¯σ2XM+σ2YN−−−−−−−√∼N(0,1)Y¯−X¯σX2M+σY2N∼N(0,1)
Es aproximada por una distribución normal centrada en 0 (no hay diferencia) y con
una desviación estándar σ2X+σ2Y−−−−−−−√/N−−√σX2+σY2/N
Se aproxima por una distribución normal centrada en 0 y desviación estándar 1.
Utilizando esta aproximación hace que el calculo de p-valores sea simple, porque
conocemos la proporción de distribución de cualquier valor.
LIBROS CONSULTADOS
- Canavos GC. Probabilidad y estadística: aplicaciones y métodos. Madrid: McGraw-Hill;
1988.

- Fernández-Abascal H, Guijarro MM, Rojo JL, Sanz JA. Cálculo de probabilidades

y estadística. Barcelona: Editorial Ariel; 1994.

- Herrerías Pleguezuelo R, Palacios González F. Curso de inferencia estadística y del modelo

lineal simple. Madrid: Delta, Publicaciones Universitarias; 2007.

- Canavos GC. Probabilidad y estadística: aplicaciones y métodos. Madrid: McGraw-

Hill; 1988.

- Fernández-Abascal H, Guijarro MM, Rojo JL, Sanz JA. Cálculo de probabilidades

y estadística. Barcelona: Editorial Ariel; 1994.

- Herrerías Pleguezuelo R, Palacios González F. Curso de inferencia estadística y del modelo

lineal simple. Madrid: Delta, Publicaciones Universitarias; 2007.