Estadistica Inferencial

UNIVERSIDAD MONTRER
MAESTRÍA EN ADMINISTRACIÓN FINANCIERA
METODOS CUALITATIVOS APLICADOS A LAS FINANZAS.
Estadística inferencial
Profesor: Miguel Ángel Guerrero Torres.
Alumno:
Nicolai Rondón Camacho
Ibagué, Colombia, 15 de mayo de 2020

2
Estadística inferencial.
La estadística inferencial es aquella encargada de deducir información a través de diferentes
métodos estadísticos haciendo uso de una muestra aleatoria de una población.
Antes de abordar las diferentes herramientas para este fin es necesario tener claros los
siguientes conceptos.
 Población: totalidad de elementos sobre los que recae la investigación.

 Muestra: porción de la población. Se busca que esta muestra sea lo sufrientemente
representativa, para esto se utilizan diferentes métodos de muestreo, es decir diferentes
técnicas para la recolección de esta muestra.
 Muestra aleatoria: es la colección de datos de la muestra donde cada uno de ellos es
independiente y pertenecen a la misma función de distribución.
 Parámetro: valores o medidas que caracterizan a una población.
 Estadístico: valor que se obtiene a partir de los valores muestrales, como pueden ser
la media muestral y la varianza muestral.
 Nivel de confianza: El nivel de confianza representa el porcentaje de intervalos que
incluirían el parámetro de población si se tomaran muestras de la misma población una
y otra vez. Por lo general, un nivel de confianza de 95% funciona adecuadamente. Esto
indica que, si usted recogió cien muestras y creó cien intervalos de confianza de 95%,
cabría esperar que aproximadamente 95 de los intervalos incluyeran el parámetro de
población.
 Distribución de los datos: Está formada por estadísticos o valores determinados
obtenidos de muestras: medias, varianzas, etc., acompañados de sus respectivas
frecuencias relativas o probabilidades, o de la proporción de veces que se repiten en el
conjunto de todas las muestras posibles del mismo tamaño obtenidas de la población.
 Error estándar: describe el error que puede cometer el estadístico.
IMPORTANCIA DE LA ESTADÍSTICA INFERENCIAL.
Al tomarse una muestra de una población es posible determinar información de interés de

poblaciones muy grandes, de esta manera simplificando el trabajo y ahorrando gastos
operativos y de procesamiento de datos.
La estadística inferencial comprende los siguientes temas:
 Teoría de muestras(muestreo): En ocasiones en que no es posible o conveniente

realizar un censo (analizar a todos los elementos de una población), se selecciona una
muestra, entendiendo por tal una parte representativa de la población.
3
El muestreo es por lo tanto una herramienta de la investigación científica, cuya función básica
es determinar que parte de una población debe examinarse, con la finalidad de hacer
inferencias sobre dicha población.
La muestra debe lograr una representación adecuada de la población, en la que se reproduzca
de la mejor manera los rasgos esenciales de dicha población que son importantes para la
investigación. Para que una muestra sea representativa, y por lo tanto útil, debe de reflejar las
similitudes y diferencias encontradas en la población, es decir ejemplificar las características de
ésta. Los errores más comunes que se pueden cometer son:
1.-Hacer conclusiones muy generales a partir de la observación de sólo una parte de la
población, se denomina error de muestreo.
2.-Hacer conclusiones hacia una Población mucho más grandes de la que originalmente se
tomó la muestra. Error de Inferencia. En la estadística se usa la palabra población para
referirse no sólo a personas si no a todos los elementos que han sido escogidos para su
estudio y el término muestra se usa para describir una porción escogida de la población.
 Estimación de parámetros: diferentes técnicas estadísticas utilizadas para estimar los

parámetros de una muestra.
 Contraste de hipótesis: Una hipótesis estadística es una asunción relativa a una o

varias poblaciones, que puede ser cierta o no. Las hipótesis estadísticas se pueden
contrastar con la información extraída de las muestras y tanto si se aceptan como si se
rechazan se puede cometer un error.
La hipótesis formulada con intención de rechazarla se llama hipótesis nula y se representa por
H 0. Rechazar H 0 implica aceptar una hipótesis alternativa ( H 1). En estas pruebas de hipótesis
se pueden cometer dos tipos de errores observados en la siguiente tabla:
 Diseño experimental: son modelos estadísticos clásicos cuyo objetivo es averiguar si

unos determinados factores influyen en una variable de interés y, si existe influencia de
algún factor, cuantificar dicha influencia.
4
 Inferencia bayesiana: La inferencia bayesiana se basa en la probabilidad subjetiva.

Cada individuo puede tener su propia probabilidad para cualquier suceso. Se denomina
bayesiana ya que es el aprendizaje inductivo por medio de la regla de Bayes.
De manera general, los métodos bayesianos son métodos de análisis de datos que se derivan
de los principios de la inferencia bayesiana. Estos métodos, proporcionan estimadores de los
parámetros que tienen buenas propiedades estadísticas; Una descripcion parsimoniosa
(simple) de los datos observados; Estimación de los datos missing y predicciones de futuras
observaciones; Una metodología computacional potente para la estimación, selección y
validación de modelos. La metodología bayesiana consta de tres pasos fundamentales:
1. Especificar un modelo de probabilidad que incluya algún tipo de conocimiento previo(a priori)
sobre los parámetros del modelo dado.
2. Actualizar el conocimiento sobre los parámetros desconocidos condicionando este modelo

de probabilidad a los datos observados.
3. Evaluar el ajuste del modelo a los datos y la sensibilidad de las conclusiones a cambios en
los supuestos del modelo.
 Métodos no paramétricos: Una prueba no paramétrica es una prueba de hipótesis que

no requiere que la distribución de la población sea caracterizada por ciertos parámetros.
Por ejemplo, muchas pruebas de hipótesis parten del supuesto de que la población sigue una
distribución normal con los parámetros μ y σ. Las pruebas no paramétricas no parten de este
supuesto, de modo que son útiles cuando los datos son considerablemente no normales y
resistentes a transformaciones.
Los métodos no paramétricos son útiles cuando no se cumple el supuesto de normalidad y el
tamaño de la muestra es pequeño. Sin embargo, las pruebas no paramétricas no están
completamente libres de supuestos acerca de los datos. Por ejemplo, es fundamental
presuponer que las observaciones de las muestras son independientes y provienen de la
misma distribución. Además, en los diseños de dos muestras, se requiere el supuesto de
igualdad de forma y dispersión.
Limitaciones de las pruebas no paramétricas
Las pruebas no paramétricas tienen las siguientes limitaciones:
 Las pruebas no paramétricas por lo general son menos potentes que la prueba
paramétrica correspondiente cuando se cumple el supuesto de normalidad. Por lo tanto,
es menos probable que usted rechace la hipótesis nula cuando sea falsa si los datos
provienen de la distribución normal.
 Las pruebas no paramétricas suelen requerir que se modifiquen las hipótesis. Por
ejemplo, la mayoría de las pruebas no paramétricas acerca del centro de la población
son pruebas sobre la mediana y no sobre la media. La prueba no responde a la misma
pregunta que el procedimiento paramétrico correspondiente si la población no es
simétrica.
5
Pruebas paramétricas alternativas
Cuando tenga la posibilidad de escoger entre un procedimiento paramétrico y uno no

paramétrico, y esté relativamente seguro de que se cumplen los supuestos del procedimiento
paramétrico, entonces utilice el procedimiento paramétrico. También podría utilizar el
procedimiento paramétrico cuando la población no esté distribuida normalmente si el tamaño
de la muestra es lo suficientemente grande.
La siguiente es una lista de las pruebas no paramétricas y sus alternativas paramétricas.
EJEMPLO APLICADO
Se realizar un ejemplo de un contaste de hipótesis. Utilizaremos el archivo de apartamentos

creado en las clases anteriores y la variable precio.
Tomaremos una muestra aleatoria de esta población, para llevar a cabo este objetivo, en
primera medida calcularemos el tamaño de la muestra.
Con la herramienta estadística gretl calculamos la desviación estándar de la población y
utilizaremos un error de 68040 unidades monetarias con una confianza del 95% para calcular el
tamaño de muestra adecuado.
Desviación estándar=243730 unidades monetarias

Error= 68040 unidades monetarias
α =95 % =z=1.96
N= 50 apartamentos
De esta manera podemos concluir que el tamaño de muestra adecuado bajo estas condiciones
es:
6
Nz2 σ 2
n= = ¿¿
( N −1 ) E 2+ z 2 σ 2
Tomaremos una muestra de 25 datos para la selección de esta haremos uso del programa gretl
siguiendo la siguiente ruta, muestra -submuestra aleatoria-número de observaciones 25.
Calcularemos los estadísticos principales de esta muestra y determinaremos si los datos son
normales.
Estadísticos principales
Prueba de normalidad
Observamos que en los contrastes el p valor está por encima de 0.05 estos nos indica que los
datos de la muestra son normales por lo tanto podemos realizar un contraste de hipótesis.
Aparir de esta información plantearemos el siguiente ejemplo.

7
Ejemplo:
Un conjunto residencial posee 50 apartamentos y se toma una muestra aleatoria de 25 de ellos,
se desea determinar si el precio promedio de estos apartamentos es igual a 460.000 unidades
monetarias.
Si sabemos que la media muestral es de 402.600 y la desviación típica es de 216.910, realizar
una prueba de hipótesis con un 95% de confianza.
N=5 0 Apartamentos
n=25 Apartamentos
x́=402. 60 0 unidadesmonetarias
α =0.0 5
σ =21691 0unidades monetarias
Las hipótesis son:

H 0 :μ=460. 000
H 1 : μ ≠ 460 . 000
Utilizando la herramienta gretl para esta prueba de hipótesis obtenemos los siguientes
resultados:
8
0,5
Distribución muestral t(24)
estadístico de contraste
0,4
0,3
0,2
0,1
0
-3 -2 -1 0 1 2 3
Desviaciones típicas
Concluyendo que se acepta la hipótesis nula. es decir, en promedio un apartamento cuenta

460000.
9
Bibliografía:
 Jmmarin. Introducción a la Estadística Bayesiana. España. uc3m.

http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Bayes/tema1bayes.pdf
 María Yolanda Dos Santos. Abril 07 del 2004. Teoría de las muestras estadísticas de trabajo.
gestiopolis.https://www.gestiopolis.com/teoria-de-las-muestras-estadisticas-de-trabajo/
 Contrastes de hipótesis. España. Hospital universitario Ramón y Cajal. hrc

http://www.hrc.es/bioest/Introducion_ch.html.
 J. Fallas Enero del 2010. Estadística Conceptos y herramientas.

Ucipfg .http://www.ucipfg.com/Repositorio/MGAP/MGAP-05/BLOQUE-
ACADEMICO/Unidad-1/lecturas/estadisica_teoria.pdf
 Introducción al Diseño de Experimentos. España. uc3m.

http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Disenno/IntroDE.pdf.

Estadistica Inferencial

Cargado por

Copyright:

Formatos disponibles

Estadistica Inferencial

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica Inferencial

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD MONTRER

MAESTRÍA EN ADMINISTRACIÓN FINANCIERA

METODOS CUALITATIVOS APLICADOS A LAS FINANZAS.

Profesor: Miguel Ángel Guerrero Torres.

Nicolai Rondón Camacho

Ibagué, Colombia, 15 de mayo de 2020

 Población: totalidad de elementos sobre los que recae la investigación.

IMPORTANCIA DE LA ESTADÍSTICA INFERENCIAL.

Al tomarse una muestra de una población es posible determinar información de interés de

 Teoría de muestras(muestreo): En ocasiones en que no es posible o conveniente

 Estimación de parámetros: diferentes técnicas estadísticas utilizadas para estimar los

 Contraste de hipótesis: Una hipótesis estadística es una asunción relativa a una o

 Diseño experimental: son modelos estadísticos clásicos cuyo objetivo es averiguar si

 Inferencia bayesiana: La inferencia bayesiana se basa en la probabilidad subjetiva.

2. Actualizar el conocimiento sobre los parámetros desconocidos condicionando este modelo

 Métodos no paramétricos: Una prueba no paramétrica es una prueba de hipótesis que

Limitaciones de las pruebas no paramétricas

Las pruebas no paramétricas tienen las siguientes limitaciones:

Pruebas paramétricas alternativas

Cuando tenga la posibilidad de escoger entre un procedimiento paramétrico y uno no

La siguiente es una lista de las pruebas no paramétricas y sus alternativas paramétricas.

Se realizar un ejemplo de un contaste de hipótesis. Utilizaremos el archivo de apartamentos

Desviación estándar=243730 unidades monetarias

Aparir de esta información plantearemos el siguiente ejemplo.

Las hipótesis son:

Concluyendo que se acepta la hipótesis nula. es decir, en promedio un apartamento cuenta

 Jmmarin. Introducción a la Estadística Bayesiana. España. uc3m.

 Contrastes de hipótesis. España. Hospital universitario Ramón y Cajal. hrc

 J. Fallas Enero del 2010. Estadística Conceptos y herramientas.

 Introducción al Diseño de Experimentos. España. uc3m.

También podría gustarte