Professional Documents
Culture Documents
INTRODUCCIN:
La estadstica inferencial es un argumento. Un buen argumento hace creble
una afirmacin. En nuestro caso, cualquier estudio necesitar, al menos dos
argumentos slidos: el estadstico y el relativo al diseo de investigacin
La estadstica inferencial es necesaria cuando queremos hacer alguna
afirmacin sobre ms elementos de los que vamos a medir. La estadstica
inferencial hace que ese salto de la parte al todo se haga de una manera
controlada. Aunque nunca nos ofrecer seguridad absoluta, s nos ofrecer
una respuesta probabilstica. Esto es importante: la estadstica no decide; slo
ofrece elementos para que el investigador o el lector decidan. En muchos
casos, distintas personas perciben diferentes conclusiones de los mismos
datos.
La estadstica dispone de multitud de modelos que estn a nuestra disposicin.
Para poder usarlos hemos de formular, en primer lugar, una pregunta en
trminos estadsticos. Luego hemos de comprobar que nuestra situacin se
ajusta a algn modelo (si no se ajusta no tendra sentido usarlo).
DEFINICIONES E IDEAS PREVIAS:
En el mbito cientfico, la estadstica, en general, y la estadstica inferencial, en
particular, es el camino que hay que recorrer para llegar de una pregunta a la
respuesta adecuada.
Cundo es necesaria la estadstica inferencial? Cuando queremos hacer
alguna afirmacin sobre ms elementos de los que vamos a medir.
La estadstica descriptiva, como indica su nombre, tiene por finalidad describir.
As, si queremos estudiar diferentes aspectos de, por ejemplo, un grupo de
personas, la estadstica descriptiva nos puede ayudar. Lo primero ser tomar
medidas, en todos los miembros del grupo, de esos aspectos o variables para,
posteriormente, indagar en lo que nos interese. Por ejemplo, para saber cul es
la edad del grupo, podemos resumir el conjunto de todas las edades mediante
la media. Eso nos dice, aproximadamente, alrededor de qu edad se sitan
todos. Ya sabemos, pongamos, que la edad media es 40 aos. Pero adems
podemos utilizar la desviacin tpica, si queremos saber si el grupo tiene
edades muy dispares (por ejemplo, una desviacin tpica de 12 aos) o si, por
el contrario, tienen edades parecidas (una desviacin tpica de 2 aos). Slo
con esos indicadores ya podemos hacernos una idea, podemos describir a ese
conjunto de personas, al menos en referencia a su edad.
Pero el tamao de los grupos que suelen interesar es demasiado grande, a
veces tan grande como todo el mundo. Y esto, ms que ser una rareza, es en
muchos campos la norma. Por ejemplo, cuando se afirma que las personas
tenemos una agudeza visual menor que la de los halcones, podemos estar
que podemos utilizar? En este caso, que la moneda tiene dos caras, y que no
hay preferencia por una u otra a la hora de posarse. Es decir: las dos nicas
posibilidades se reparten por igual el derecho a ser el resultado final. Si
aplicamos los conceptos bsicos de la probabilidad, y recordando que la
probabilidad total es 1, tenemos que las probabilidades de que salga cara o
cruz son:
P(cara)=0.5
P(cruz)=0.5
Lo que suele ser difcil de digerir para nuestro entendimiento son cuestiones
como, por ejemplo, que aunque un determinado suceso tenga una probabilidad
nfima, como 0.01 (un 1 por ciento), tambin puede ocurrir.
Aunque todo el que lea esto est realmente convencido de que es verdad, la
experiencia demuestra que no aplicamos este conocimiento.
EL MUESTREO:
Para extraer conclusiones de una poblacin a partir de una muestra, es vital
que la muestra sea representativa.
Hay dos tipos de muestreo: probabilstico (se conoce, o puede calcularse, la
probabilidad de cada elemento, por tanto, de cada muestra posible) y no
probabilstico (se desconoce o no interesa la probabilidad de cada elemento; el
investigador selecciona aquella muestra que considera ms representativa o
que le resulta ms fcil).
Cuidado: no es que el muestreo no probabilstico no permita generar muestras
representativas; lo que ocurre es que no tenemos ninguna informacin sobre el
grado de representatividad de la muestra elegida.
El muestreo probabilstico puede darse de diferentes formas, segn estemos
considerando poblaciones finitas (los votantes de la Comunidad de Madrid, los
pacientes con insomnio) o infinitas (los posibles tiempos de reaccin ante una
tarea de bsqueda visual), y segn consideremos (en las finitas) un muestreo
con o sin reposicin.
El muestreo aleatorio simple se da cuando se cumple la igualdad de
distribuciones (cualquier valor tiene la misma probabilidad de salir en cada
extraccin) e independencia (la probabilidad de obtener un determinado valor
no se modifica por los valores ya obtenidos).
Otros tipos de muestreo probabilstico son el m. a. sistemtico, el m. a.
estratificado y el m. a. por conglomerados.
ESTIMACIN DE PARMETROS:
Cuando queremos estimar el valor de un parmetro, disponemos de dos
aproximaciones: La estimacin puntual y la estimacin por intervalos.
ESTIMACIN PUNTUAL
La estimacin puntual asigna directamente al parmetro el valor obtenido para
el estadstico.
La estimacin por intervalos, en cambio, proporciona un intervalo, un rango de
valores entre los que estar situado el parmetro con una cierta probabilidad.
Para poder conocer esa probabilidad debemos conocer previamente la
distribucin de probabilidad del estadstico que estemos usando como
estimador: la distribucin muestral del estadstico.
La estimacin puntual constituye la inferencia ms simple que podemos
realizar: asignar al parmetro el valor del estadstico que mejor sirva para
estimarlo. Pero para que un estadstico sea considerado un buen estimador ha
de cumplir ciertas condiciones. Si usamos los smbolos para un parmetro
cualquiera, y , para un posible estimador de , podemos enunciar las
propiedades de la siguiente forma:
Carencia de sesgo: Un estimador, , ser insesgado si su valor esperado
coincide con el del parmetro a estimar, .
E() =
Consistencia: Un estimador, , ser consistente si, conforme aumenta el
tamao muestral, n, su valor se va aproximando a . Expresado ms
formalmente, indica que dada una cantidad arbitrariamente pequea, ,
cuando n tiende a infinito,
P(| |< )1
Eficiencia: Dados dos posibles estimadores 1 y 2, diremos que 1
es un estimador ms eficiente que 2 si se cumple que: