1. Overview
  2. Curso Estadística Básico
  3. 3.- Estadística Inferencial

3.- Estadística Inferencial

3.1.- Conceptos de Parámetro de una Población y Estimador de una Muestra

Resumen de la Lección

La estadística inferencial nos permite realizar estimaciones transferibles de los resultados de una muestra a los resultados que tendría en la población a la que representa. Esta población puede ser cualquier conjunto de individuos que comparten una característica en común, como vivir en una región o tener una enfermedad. En investigación, no trabajamos con la población completa, sino con una muestra representativa de esta, por razones de tiempo y recursos. Los índices que describen la población y la muestra se llaman parámetros y estimadores, respectivamente. Finalmente, nos centramos en cómo la selección de una muestra se realiza de manera aleatoria, manteniendo siempre la probabilidad de selección constante.

Puntos Clave para Recordar

  1. La estadística inferencial nos permite extrapolar los hallazgos de nuestra investigación más allá de nuestra muestra.
  2. Trabajamos con una muestra representativa de la población, no con la población completa.
  3. Los parámetros y estimadores son los índices que describen a la población y la muestra, respectivamente.
  4. La selección de una muestra se realiza de manera aleatoria, manteniendo constante la probabilidad de selección.

3.2.- Estimadores, Parámetros y Distribución Normal

Resumen de la Lección

Esta lección se centra en el concepto de las distribuciones en estadística, con especial énfasis en la distribución normal y su importancia para comprender los datos. Se explica cómo representar una variable continua mediante un histograma y se introduce la idea de los parámetros poblacionales, como la media y la desviación estándar. Además, se destaca la diferencia entre los parámetros poblacionales y los estadísticos de muestra. Finalmente, se explora cómo estos conceptos se aplican en la práctica, y se menciona el fenómeno de la asimetría.

Puntos Clave para Recordar

  1. Las distribuciones son fundamentales en la estadística, ya que permiten entender y representar los datos.
  2. La media y la desviación estándar son parámetros poblacionales que describen la posición central y la dispersión de los datos.
  3. No siempre es posible obtener datos de toda la población, por lo que a menudo se trabaja con muestras.
  4. Si asumimos que una variable sigue una distribución normal, podemos calcular la probabilidad de que ocurra cualquier valor de dicha variable.
  5. Es posible que las distribuciones muestren una asimetría, lo que significa que los valores de mayor o menor magnitud tienen una mayor frecuencia.

3.3.- (SPSS) Práctica calculo de frecuencias en 1, 2, 3 SD. Simetría y Curtosis.

Descargar Materiales

Resumen de la Lección

En esta lección aprendemos cómo calcular el porcentaje de ojos localizados a una, dos y tres desviaciones estándar de la media en una población. El ejemplo se basa en una población de sujetos candidatos a cirugías de cataratas en un hospital. Aprenderemos a calcular los índices descriptivos de media y desviación estándar, y luego transformaremos una nueva variable, el diámetro corneal, en función de si los valores están ubicados a más o menos una, dos o tres desviaciones estándar. Finalmente, utilizaremos estas tres nuevas variables para calcular el porcentaje de ojos dentro y fuera de estas desviaciones.

Puntos Clave para Recordar

  1. La media y la desviación estándar son índices descriptivos clave en estadística.
  2. La transformación de variables en función de las desviaciones estándar permite comprender la distribución de los datos.
  3. Los porcentajes de datos dentro de una, dos y tres desviaciones estándar nos dan una visión clara de la dispersión de la población estudiada.
  4. Las variables dicotómicas ayudan a identificar y clasificar los datos dentro y fuera de las desviaciones estándar.
  5. El uso de gráficos, como los diagramas de cajas, facilita la comprensión de la morfología de la distribución de los datos.

Representar Frecuencias en Jamovi
Navega a ANÁLISIS -> Arrastra las variables categóricas a la caja de variables -> Pulsa en la opción "Tabla de Frecuencias"

Representar Frecuencias en Jasp
Navega a Descriptives-> Arrastra las variables categóricas a la caja de variables -> Despliega Tables -> Selecciona Frequency Tables
Descargar Material de apoyo para la transformación de variables a 1SD, 2SD y 3SD con Jamovi consultado en el Foro 

3.4.- Introducción al Teorema del Límite Central y Concepto de Error Estándar

Resumen de la Lección

En esta lección, exploramos el concepto de Inferencia Estadística y su aplicación en la práctica. Aprendimos sobre el Teorema del Límite Central y cómo puede ayudarnos a inferir parámetros poblacionales a partir de muestras. Descubrimos que, al repetir la recolección de muestras de una población y calcular sus medias, la distribución de estas medias muestrales seguirá una distribución normal, lo que nos permite realizar Estadística Paramétrica. Además, introdujimos el concepto de Error Estándar, que refleja la variabilidad de la distribución de las medias muestrales, distinguiéndolo de la desviación estándar.

Puntos Clave para Recordar

  1. El Teorema del Límite Central permite inferir parámetros de la población a partir de muestras.
  2. La media de las distribuciones de las medias muestrales sigue una distribución normal, lo que permite la Estadística Paramétrica.
  3. El Error Estándar refleja la variabilidad de la distribución de las medias muestrales, no debe confundirse con la desviación estándar.

3.5.- Ejemplo práctico que demuestra el Teorema del Límite Central

Resumen de la Lección

Esta lección trata sobre la inferencia estadística y el Teorema del Límite Central. Se destaca la importancia de entender los conceptos básicos de la Estadística Paramétrica para realizar inferencias sobre una población a partir de muestras. También, se explica el concepto de la distribución de las medias muestrales y cómo este se relaciona con la distribución normal. Finalmente, se examina la relevancia del tamaño de muestra y el cálculo del error estándar.

Puntos Clave para Recordar

  1. La Estadística Paramétrica es fundamental para realizar inferencias sobre una población a partir de muestras.
  2. La media de la distribución de las medias muestrales será igual a la media de la población, según el Teorema del Límite Central.
  3. El tamaño de la muestra es un factor importante en la inferencia estadística y los test paramétricos son robustos a partir de unos 30 casos.
  4. El error estándar describe la variabilidad en la distribución de las medias muestrales y es diferente de la desviación estándar de la muestra.

3.6.- ¿Qué es el Intervalo de Confianza al 95 por ciento?

Resumen de la Lección

En esta lección, hemos repasado los conceptos fundamentales de las medias muestrales y su relación con la media poblacional. Analizamos cómo la distribución de las medias muestrales sigue una distribución normal debido al Teorema del Límite Central. Hemos profundizado en el concepto del error estándar y su importancia en la determinación del intervalo de confianza del 95%, el cual contiene la media poblacional con un 95% de probabilidad. Finalmente, ilustramos estos conceptos a través de un ejemplo práctico de extracción de muestras aleatorias.

Puntos Clave para Recordar

  1. Las medias muestrales siguen una distribución normal, concepto fundamental del Teorema del Límite Central.
  2. El error estándar es esencial para determinar el intervalo de confianza.
  3. El intervalo de confianza del 95% contiene la media poblacional con un 95% de probabilidad.
  4. Estos conceptos son aplicables en prácticas reales de muestreo y extracción de datos.

3.7.- El concepto de estadístico

Resumen de la Lección

En esta lección, exploramos el concepto del error estándar y su cálculo utilizando la desviación estándar de la muestra o de la población. Hablamos de cómo el tamaño de la muestra influye en la elección de la desviación estándar a usar, y sobre el uso de la distribución normal o la distribución t dependiendo del tamaño de la muestra. También discutimos los conceptos de estadísticos z y t, y cómo se utilizan para evaluar la aleatoriedad de un valor en relación al valor medio. Finalmente, se menciona que los programas estadísticos facilitarán el cálculo de estos estadísticos.

Puntos Clave para Recordar

  1. El error estándar se calcula utilizando la desviación estándar de la muestra o de la población.
  2. Dependiendo del tamaño de la muestra, se utiliza la distribución normal (muestras grandes) o la distribución t (muestras pequeñas).
  3. Los estadísticos z y t describen cómo de alejado está un valor del valor medio en términos de desviaciones estándar.
  4. El tipo de variable y su distribución deben ser considerados antes de aplicar pruebas estadísticas.

Was this article helpful?
Qvision Academy (Indaloftal SL) 2026