ACERCA DE LA ESTADÍSTICA INFERENCIAL Y ALGUNAS FORMAS DE ESTIMACIÓN

La Estadística Inferencial son procedimientos estadísticos utilizados para realizar estimaciones o inferencias
acerca de una o más características de una población, a partir de un subconjunto de ésta denominado muestra.

Cuando se desea hacer inferencia estadística acerca de una o más características de una población, se pueden
utilizar diversas metodologías, por ejemplo, si se desea estimar el peso promedio en kilogramos de cierta
especie animal al nacer, se podrían tener entre otras y a partir del análisis de una muestra aleatoria de la
población correspondiente, las siguientes dos respuestas: Se estima que el peso promedio en kilogramos de la
especie animal al nacer, es de 1.3 kilogramos y/o el peso promedio en kilogramos de la especie animal al nacer,
está entre 1 y 1.5 kilogramos. La primera respuesta se conoce como estimación puntual y la segunda como
estimación por intervalos de confianza. Para comprender mejor la aplicación y bases teóricas de estas
metodologías, se presentan a continuación los siguientes conceptos:

 Parámetro: Es una característica que se mide en una población (usualmente y de manera general un
parámetro se denota como θ). Algunos ejemplos de parámetros son: 𝜇, 𝜎 2 , 𝜎.

 Estadístico: Es una característica que se mide en una muestra aleatoria (usualmente y de manera
general un estadístico se denota como θ). Algunos ejemplos de estadísticos son: 𝑋, 𝑆 2 , 𝑆.

 Estimación puntual: Una estimación puntual de una característica poblacional o parámetro desconocido
θ, es un valor numérico θ que se calcula en una muestra aleatoria de dicha población (valor puntual de
un estadístico). Por ejemplo 𝑋 es un estimador puntual de 𝜇.

Observación: Se dice que θ es un estimador insesgado de θ si y sólo si 𝐸 θ = θ. Por lo anterior la

expresión 𝐸 θ − θ se conoce como el sesgo del estimador θ. Note que si θ es un estimador insesgado
de θ, entonces 𝐸 θ − θ = 0 (el sesgo del estimador θ es igual a cero). De manera equivalente si θ no
es un estimador insesgado de θ (o es un estimador sesgado θ), entonces 𝐸 θ − θ ≠ 0 (el sesgo del
estimador θ es diferente de cero).

Por ejemplo: Si 𝑥1 , 𝑥2 , … , 𝑥𝑛 es una muestra aleatoria de tamaño 𝑛, tal que 𝑥𝑖 ~𝑁( 𝜇 , 𝜎 2 ) para todo
𝑥
𝑖 = 1,2, … . , 𝑛 entonces 𝑋 = 𝑛𝑖=1 𝑛𝑖 es un estimador insesgado de 𝜇. Esto es 𝐸 𝑋 = 𝜇.

 Distribución de muestreo: La distribución de muestreo de un estadístico corresponde a su distribución

de probabilidad. Por ejemplo, la distribución de muestreo del estadístico 𝑋 presentado en el ejemplo
𝜎2
anterior, corresponde a una distribución normal con media 𝜇 y varianza 𝑛
, ya que ésta es su
distribución de probabilidad.

 Teorema del límite central:

Consultar en términos aplicados ¿en qué consiste el Teorema del límite central?
 Estimación por intervalos de confianza: Una estimación por intervalos de confianza de un parámetro (o
característica poblacional) desconocido θ, es un intervalo de la forma 𝑙 ≤ θ ≤ u, tal que:

𝑃 𝑙 ≤ θ≤u =1−𝛼

La expresión 1 − 𝛼 se conoce como el nivel de confianza del intervalo calculado, y corresponde a la

probabilidad de que el intervalo calculado contenga al parámetro de interés. Usualmente el nivel de
confianza (1 − 𝛼) de un intervalo, toma valores como 90% equivalente a 0.90 o 0.9, 92% equivalente a
0.92, 95% equivalente a 0.95, 97% equivalente a 0.97, 98% equivalente a 0.98, 99% equivalente a
0.99, etc.