En un estudio estadístico, ¿qué es una población y para qué se toma una
muestra?
Una población estadística es un conjunto de sujetos o elementos que presentan
características comunes. Sobre esta población se realiza el estudio estadístico con el fin de
sacar conclusiones.
El tamaño poblacional es el número de individuos que constituyen la población. Según el
número de sujetos, el tamaño puede ser finito o infinito. Los conjuntos infinitos son algo
artificial o conceptual, ya que toda población de entidades físicas es finita. Por ejemplo:
Población finita: el conjunto de habitantes de una ciudad, los bolígrafos producidos
en una fábrica en un día, etc.
Población infinita: el conjunto de los números positivos.
Cuando la población es muy grande, normalmente es imposible estudiar a todos los
individuos
Supongamos que queremos saber cuál es el nivel de colesterol de la población de
Honduras. Por cuestiones económicas y de tiempo obvias, no está al alcance realizar un
análisis de pobreza a toda la población de honduras. Para solucionar este impedimento, se
utiliza una muestra estadística.
Una muestra estadística (o una muestra) es un subconjunto de elementos de la población
estadística.
2. ¿Qué es probar una hipótesis?
Una prueba de hipótesis es una regla que especifica si se puede aceptar o rechazar una
afirmación acerca de una población dependiendo de la evidencia proporcionada por una
muestra de datos.
Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la hipótesis
nula y la hipótesis alternativa. La hipótesis nula es el enunciado que se probará. Por lo
general, la hipótesis nula es un enunciado de que "no hay efecto" o "no hay diferencia". La
hipótesis alternativa es el enunciado que se desea poder concluir que es verdadero de
acuerdo con la evidencia proporcionada por los datos de la muestra.
Con base en los datos de muestra, la prueba determina si se puede rechazar la hipótesis
nula.
3. ¿Qué es hacer una estimación puntual y en qué consiste hacer una
estimación por intervalo para la media, por ejemplo?
Estimación puntual
Una estimación puntual de un parámetro poblacional es cuando se utiliza un único valor
para estimar ese parámetro, es decir, se usa un punto en concreto de la muestra para
estimar el valor deseado.
Ejemplo:
Cuando estimamos un parámetro de forma puntual, podemos saber con certeza, cual es
ese valor. Imaginemos una población de 30 personas de las que seleccionamos una
muestra de 20 para las que conocemos sus edades. Estimar de forma puntual la media de
edad, sería tan sencillo como sumar esos 20 datos y dividirlos entre el total de la muestra
estadística.
Ahora si se desea estimar la altura media de esa muestra. Al contrario que antes, no
tenemos el valor de la altura de cada persona. En este caso no podríamos realizar una
estimación puntual, es decir, no podríamos hallar un valor concreto de esa altura media. En
este caso tendríamos que realizar una estimación por intervalos, es decir, podríamos
acotar el valor más alto y más bajo de las alturas de las personas con cierta seguridad o lo
que en estadística se conoce como cierto nivel de confianza.
4. ¿Por qué no es suficiente la estimación puntual y por qué se tiene que
recurrir a la estimación por intervalo?
Porque la estimación puntual dirá poco sobre el parámetro cuando la varianza ente una
estimación y la otra es muy grande.
Porque dicho intervalo de confianza indicara un rango donde puede estar el parámetro con
cierto nivel de seguridad o confianza.
5. Explique el papel que desempeñan las distribuciones de probabilidad
en la inferencia estadística.
En el aspecto de la estadística encargado de estudiar las relaciones entre valores de la
variable aleatoria y las probabilidades de ocurrencia es llamado distribución de
probabilidad.
Este se puede expresar en forma de tabla, gráfica o fórmula que le proporciona una
herramienta útil a la hora de interpretar una variable aleatoria (ocurrencia de un evento) en
base a una población. Cuando se tiene disponible la distribución de probabilidad, es posible
hacer afirmaciones acerca de la variable aleatoria, entonces se podrá estimar que tan
frecuente será un evento y en consecuencia una posible predicción.
6. En el contexto de estimación por intervalo, señale en forma específica
para estimar qué parámetro utiliza cada una de las siguientes
distribuciones: T de Student, Normal y jicuadrada.
Normal
La distribución normal queda totalmente definida mediante dos parámetros: la media () y
la desviación estándar o desviación típica (). Su función de densidad es simétrica
respecto a la media y la desviación estándar nos indica el mayor o menor grado de
apertura de la curva que, por su aspecto, se suele llamar campana de Gauss. Esta
distribución se denota por N(,). Cuando la distribución normal tiene como parámetros =
0 y = 1 recibe el nombre de distribución normal estándar. Cualquier variable X que siga
una distribución normal de parámetros y se puede transformar en otra variable Y= (X-
)/ que sigue una distribución normal estándar; este proceso se denomina
estandarización, tipificación o normalización
Chi-cuadrada
Es fundamental en inferencia estadística y en los tests estadísticos de bondad de ajuste.
Se emplea, entre otras muchas aplicaciones, para realizar la prueba de hipótesis de
homogeneidad, de independencia o la prueba de bondad de ajuste (todas ellas
denominadas pruebas ji-cuadrado) y para
T de Student,
La distribución t de Student queda completamente definida por medio de sus grados de
libertad, n, y se denota por tn. Surge cuando se plantea estudiar el cociente entre una
variable aleatoria con distribución normal estándar y la raíz cuadrada del cociente entre una
variable aleatoria con distribución ji-cuadrado y sus grados de libertad (n), siendo las dos
variables independientes. Esta distribución desempeña un papel muy importante en la
inferencia estadística asociada a la teoría de muestras pequeñas y es usada habitualmente
en el contraste de hipótesis para la media de una población o para comparar medias de
dos poblaciones.
7. Explique qué es un estadístico de prueba y señale su relación con los
intervalos de aceptación y rechazo.
Un estadístico de prueba es una variable aleatoria que se calcula a partir de datos de
muestra y se utiliza en una prueba de hipótesis. Puede utilizar los estadísticos de prueba
para determinar si puede rechazar la hipótesis nula. El estadístico de prueba compara sus
datos con lo que se espera bajo la hipótesis nula.
Las diferentes pruebas de hipótesis utilizan diferentes estadísticos de prueba según el
modelo de probabilidad asumido en la hipótesis nula. Las pruebas comunes y sus
respectivos estadísticos de prueba incluyen:
Prueba de hipótesis Estadístico de prueba
Prueba Z Estadístico Z
Pruebas t Estadístico t
ANOVA Estadístico F
Pruebas de chi-cuadrada Estadístico de chi-cuadrada
8. ¿Qué son los errores tipo I y II en pruebas de hipótesis?
Ninguna prueba de hipótesis es 100% cierta. Puesto que la prueba se basa en
probabilidades, siempre existe la posibilidad de llegar a una conclusión incorrecta. Cuando
usted realiza una prueba de hipótesis, puede cometer dos tipos de error: tipo I y tipo II. Los
riesgos de estos dos errores están inversamente relacionados y se determinan según el
nivel de significancia y la potencia de la prueba. Por lo tanto, usted debe determinar qué
error tiene consecuencias más graves para su situación antes de definir los riesgos.
Error de tipo I
Si usted rechaza la hipótesis nula cuando es verdadera, comete un error de tipo I. La
probabilidad de cometer un error de tipo I es α, que es el nivel de significancia que usted
establece para su prueba de hipótesis. Un α de 0.05 indica que usted está dispuesto a
aceptar una probabilidad de 5% de estar equivocado al rechazar la hipótesis nula. Para
reducir este riesgo, debe utilizar un valor menor para α. Sin embargo, usar un valor menor
para alfa significa que usted tendrá menos probabilidad de detectar una diferencia si esta
realmente existe.
Error de tipo II
Cuando la hipótesis nula es falsa y usted no la rechaza, comete un error de tipo II. La
probabilidad de cometer un error de tipo II es β, que depende de la potencia de la prueba.
Puede reducir el riesgo de cometer un error de tipo II al asegurarse de que la prueba tenga
suficiente potencia. Para ello, asegúrese de que el tamaño de la muestra sea lo
suficientemente grande como para detectar una diferencia práctica cuando esta realmente
exista.
9. Señale y describa de manera breve los tres criterios equivalentes de
rechazo de una hipótesis.
Existen tres criterios equivalentes para decidir cuándo rechazar la hipótesis nula y, en
consecuencia, aceptar la hipótesis alternativa.
◼ Estadístico de prueba frente a valor crítico: rechazar H0 si el estadístico de prueba cae
en la región de rechazo que está delimitada por el valor crítico.
◼ Significancia observada frente a significancia predefinida: la significancia predefinida se
denota por α es el riesgo máximo que se está dispuesto a correr por rechazar H0
indebidamente (error tipo I). La significancia observada o calculada, también conocida
como “valor-p”, es el área bajo la distribución de referencia más allá del valor del
estadístico de prueba.
◼ Intervalo de confianza: se rechaza H0 si el valor del parámetro declarado en la hipótesis
nula se encuentra fuera del intervalo de confianza para el mismo parámetro.
10. Señale un ejemplo de datos o muestras pareadas.
Ejemplo 1: Interesa decidir si una dieta escasa en calorías produce un cambio en la tensión media de
dióxido de carbono arterial en pacientes con problemas respiratorios crónicos.