Estadística inferencial: conceptos y ejemplos
Aprende qué es la estadística inferencial, cómo interpretar intervalos de confianza y pruebas de hipótesis y qué límites impone el muestreo.
Este contenido todavía no está disponible en portugués.Ir a la página de inicio en portugués
En pocas palabras
- La inferencia usa datos de una muestra para estudiar parámetros o modelos de una población bajo supuestos.
- Un intervalo de confianza expresa la cobertura de un procedimiento, no la probabilidad posterior del parámetro en el enfoque frecuentista.
- El valor p no mide el tamaño del efecto ni la probabilidad de que la hipótesis nula sea verdadera.
En este artículo
La estadística inferencial reúne métodos para obtener conclusiones sobre una población o un modelo a partir de datos observados, incorporando incertidumbre y supuestos. Incluye estimación de parámetros, intervalos de confianza y pruebas de hipótesis. Su validez depende del diseño de la investigación y del proceso que generó los datos, además de la fórmula utilizada.
La estadística descriptiva resume los datos disponibles; la inferencial intenta ir más allá de esos datos bajo condiciones explícitas. Una muestra grande puede describirse con mucha precisión y seguir siendo inadecuada para representar a la población de interés. Tamaño de muestra y ausencia de sesgo son cuestiones diferentes.
Población, muestra, parámetro y estadístico
| Término | Significado | Ejemplo hipotético |
|---|---|---|
| Población | Conjunto sobre el que se quiere concluir | Estudiantes matriculados en una universidad durante un periodo definido. |
| Muestra | Unidades observadas | Estudiantes seleccionados mediante un diseño especificado. |
| Parámetro | Característica de la población o del modelo | Media poblacional de horas de estudio. |
| Estadístico | Cantidad calculada con la muestra | Media de horas observada en la muestra. |
| Error estándar | Variabilidad de un estimador entre muestras bajo el modelo | Incertidumbre de una media estimada. |
El error estándar no es lo mismo que la desviación estándar de las observaciones. La desviación describe dispersión entre valores; el error estándar describe variación del estimador bajo repetición del muestreo. Su fórmula cambia con el diseño y con el estadístico que se estudia.
El diseño de muestreo importa
Una encuesta difundida únicamente en una red social puede sobrerrepresentar a quienes usan esa plataforma y deciden responder. Aumentar la cantidad de respuestas no corrige necesariamente ese mecanismo. No respuesta, cobertura incompleta, dependencia entre observaciones y errores de medición también afectan las conclusiones.
La selección aleatoria ayuda a justificar inferencias sobre una población, pero debe corresponder al diseño real. La asignación aleatoria de tratamientos responde a otra necesidad: fortalecer comparaciones causales. No son intercambiables. Un estudio observacional puede apoyar asociaciones sin justificar automáticamente un efecto causal.
Ejemplo de intervalo de confianza para una media
Supón un ejemplo didáctico con observaciones independientes obtenidas por muestreo aleatorio simple de una población normal. Se conoce una desviación estándar poblacional de 10 unidades. Con n = 100 y media muestral de 50, el error estándar es σ/√n = 10/10 = 1. Estos valores son hipotéticos y no describen datos reales de estudiantes.
En la interpretación frecuentista, si repitiéramos el procedimiento muchas veces en las mismas condiciones, aproximadamente el 95 % de los intervalos construidos así contendría el parámetro fijo. Después de observar un intervalo concreto, no decimos que existe una probabilidad del 95 % de que ese parámetro fijo esté dentro, sin adoptar otro marco probabilístico.
Pruebas de hipótesis y valor p
Una prueba formula una hipótesis nula y una alternativa, elige un estadístico y determina qué resultados serían más incompatibles con la nula bajo el modelo. El valor p es la probabilidad, suponiendo la hipótesis nula y los supuestos del modelo, de obtener un resultado al menos tan extremo como el observado, según la definición de la prueba.
No es la probabilidad de que la nula sea verdadera ni la probabilidad de que el resultado se deba al azar en un sentido general. Un valor p pequeño tampoco indica por sí mismo que el efecto sea grande o importante. La conclusión debe incluir magnitud, incertidumbre, diseño y relevancia para el problema.
Errores, decisiones y transparencia
Un error de tipo I consiste en rechazar una hipótesis nula verdadera; el nivel α controla ese riesgo bajo las condiciones del procedimiento. Un error de tipo II consiste en no rechazar una nula falsa frente a una alternativa definida. La potencia depende, entre otros factores, del efecto considerado, la variabilidad, el diseño y el tamaño muestral.
No rechazar la nula no demuestra ausencia de efecto. Además, probar muchas hipótesis y reportar sólo las favorables modifica los riesgos de interpretación. Un plan analítico, la descripción de exclusiones y la comunicación de resultados completos ayudan a evaluar la evidencia.
Cómo revisar una conclusión inferencial
- Identifica población, unidad de análisis y proceso de selección.
- Distingue la estimación de su incertidumbre.
- Comprueba que el método corresponda a la variable y al diseño.
- Lee los supuestos y cómo se evaluaron.
- Separa significación, magnitud y causalidad.
- Redacta una conclusión proporcional a los datos y sus limitaciones.
La inferencia es una forma disciplinada de razonar con incertidumbre, no un sello automático de verdad. Para estudiar otros fundamentos, consulta Ciencias Exactas.
Video para ampliar el tema
Referencias
- OpenStax. Introductory Statistics 2e, 8.1: A Single Population Mean using the Normal Distribution. https://openstax.org/books/introductory-statistics-2e/pages/8-1-a-single-population-mean-using-the-normal-distribution
- OpenStax. Introductory Statistics 2e, 9.3: Probability Distribution Needed for Hypothesis Testing. https://openstax.org/books/introductory-statistics-2e/pages/9-3-probability-distribution-needed-for-hypothesis-testing
- American Statistical Association. Statement on Statistical Significance and P-Values, 2016. https://www.amstat.org/asa/files/pdfs/p-valuestatement.pdf
- UNAM, FES Zaragoza. Video Bioestadística. https://blogceta.zaragoza.unam.mx/vbioesta/
Autoría
Study Mais
Sigue estudiando
Ecuaciones diferenciales: conceptos y ejemplo resuelto
Aprende a clasificar ecuaciones diferenciales, verificar soluciones y resolver un problema inicial separable con interpretación de sus supuestos.
Suma de fracciones: ejemplos resueltos y ejercicios
Para sumar fracciones, exprésalas con un denominador común y suma los numeradores. El denominador conserva el tamaño de las partes. Si ya es igual, no lo sumes: 2/7 + 3/7 = 5/7. Si es distinto, convierte primero las fracciones a equivalentes.
Energía hidráulica: funcionamiento y cálculo de potencia
Aprende cómo funciona la energía hidráulica, calcula potencia y energía con unidades y compara tipos de centrales, ventajas e impactos.