{"id":284,"date":"2020-05-10T16:57:52","date_gmt":"2020-05-10T19:57:52","guid":{"rendered":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/?p=284"},"modified":"2020-05-13T17:38:11","modified_gmt":"2020-05-13T20:38:11","slug":"que-es-la-estadistica-inferencial","status":"publish","type":"post","link":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/2020\/05\/10\/que-es-la-estadistica-inferencial\/","title":{"rendered":"\u00bfQu\u00e9 es la estad\u00edstica inferencial?"},"content":{"rendered":"\n

La practica de la medicina esta basada en protocolos, existen distintos tipos de protocolos (quir\u00fargicos, de seguimiento, de tratamiento, etc.). A su vez estos protocolos se crean bas\u00e1ndose en resultados estad\u00edsticos previamente recopilados sobre grandes grupos de poblaciones.<\/p>\n\n\n\n\n\n\n\n

Muchas veces, al estudiar poblaciones muy extensas, se hace imposible tomar datos de todos los individuos de la misma, pero podemos recopilar datos espec\u00edficos de algunos individuos y llegar a una conclusi\u00f3n aplicable a toda la poblaci\u00f3n. Esta es la funci\u00f3n de la estad\u00edstica inferencial.<\/p>\n\n\n\n

El objetivo de este articulo es dar una idea general sobre lo que es estad\u00edstica inferencial, algunos de sus m\u00e9todos para inferir y ejemplos de para que pueden utilizarse en distintos casos.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Desarrollo del tema:<\/span><\/strong><\/p>\n\n\n\n

La estad\u00edstica inferencial es la rama de la estad\u00edstica que se dedica a inferir resultados o conclusiones sobre una poblaci\u00f3n en particular a partir de una muestra representativa de dicha poblaci\u00f3n.<\/p>\n\n\n\n

Poblaci\u00f3n, muestra y muestreo aleatorio:<\/span><\/strong><\/p>\n\n\n\n

Para poder entender de que se trata la estad\u00edstica inferencial, debemos definir estos conceptos. Antonio Vargas Sabad\u00edas (1995) dice “Entendemos por poblaci\u00f3n el conjunto de todos los elementos que van a ser objeto de un experimento aleatorio.” (p. 297). En relaci\u00f3n a la muestra dice “Una muestra es un subconjunto de elementos de la poblaci\u00f3n.” (p. 297).<\/p>\n\n\n\n

Al hablar de muestreo aleatorio explica que: “el muestreo aleatorio es un proceso de selecci\u00f3n de muestras, mediante el cual se garantiza que todos los elementos de la poblaci\u00f3n tienen la misma probabilidad de ser elegidos para formar parte de la muestra. A la muestra seleccionada de este modo se le llama muestra aleatoria.” (p. 297).<\/p>\n\n\n\n

Errores estad\u00edsticos:<\/span><\/strong><\/p>\n\n\n\n

Existen en la estad\u00edstica 2 tipos de errores, los errores muestrales y los no muestrales.<\/p>\n\n\n\n

El error muestral<\/em><\/strong> se define como la diferencia entre el resultado de una estad\u00edstica de la muestra y el par\u00e1metro correspondiente a la poblaci\u00f3n.<\/p>\n\n\n\n

En cambio, el error no muestral<\/em><\/strong> no depende del dise\u00f1o muestral, sino del desarrollo de la operaci\u00f3n de campo. Ejemplos de estos son: anotar mal los datos, que el encuestado mienta, etc.<\/p>\n\n\n\n

Otro tipo de error no muestral es el denominado sesgo de las muestras<\/em><\/strong>, que se define como la tendencia a favorecer la selecci\u00f3n de ciertos elementos de una muestra en lugar de otros. Este error en particular puede minimizarse utilizando la aleatorizaci\u00f3n en la selecci\u00f3n de muestras.<\/p>\n\n\n\n

T\u00e9cnicas de muestreo aleatorio:<\/span><\/strong><\/p>\n\n\n\n

Como se dijo antes, el sesgo de las muestras puede minimizarse o suprimirse utilizando la aleatorizacion. Esto se logra utilizando una t\u00e9cnica de muestreo aleatorio. Las t\u00e9cnicas mas utilizadas son: muestreo aleatorio simple, muestreo estratificado, muestreo sistem\u00e1tico y muestreo por conglomerados<\/em>.<\/p>\n\n\n\n

  1. Muestreo aleatorio simple<\/strong>: esta t\u00e9cnica garantiza que todos los individuos tengan la misma probabilidad de ser escogidos.<\/li>
  2. muestreo aleatorio estratificado<\/strong>: en este m\u00e9todo, se divide a la poblaci\u00f3n en subgrupos mas peque\u00f1os a partir de caracter\u00edsticas de inter\u00e9s y a estos subgrupos aplicar un muestreo aleatorio simple. La cantidad de muestras de cada subgrupo puede ser elegida por: asignaci\u00f3n proporcional (la cantidad de las muestras depende del tama\u00f1o del subgrupo) o por asignaci\u00f3n optima (la cantidad las se define por quien hace el muestreo).<\/li>
  3. Muestreo sistem\u00e1tico<\/strong>: primero se debe realizar una selecci\u00f3n inicial de observaciones de manera tal que los mas similares tienden a estar mas cercanos. a partir de esto se seleccionan las muestras aplicando un criterio sistem\u00e1tico. Ejemplo: se seleccionan todas las personas cuyo documente termine con numero par.<\/li>
  4. muestreo por conglomerados<\/strong>: en una poblaci\u00f3n dividida en unidades relativamente peque\u00f1as y geogr\u00e1ficamente cercanas (ej. distritos o barrios), se realiza un muestreo aleatorio simple de dichos conglomerados y se realiza un censo completo de cada uno de los conglomerados que se seleccionaron.<\/li><\/ol>\n\n\n\n

    M\u00e9todos:<\/span><\/strong><\/p>\n\n\n\n

    Para lograr su objetivo, la estad\u00edstica inferencial cuenta con varios m\u00e9todos. A continuaci\u00f3n se detallan brevemente algunos de ellos:<\/p>\n\n\n\n

    • M\u00e9todo de equis-raya<\/em>: llamamos equis-raya al promedio muestral<\/strong>, es decir el promedio de todas las muestras que tengamos.Utilizando este valor podemos llegar estimar el total de la poblaci\u00f3n (ej: \u00bfcuantas tomas de temperatura tengo que hacer para calcular la temperatura promedio de un lugar?), intervalos (ej: \u00bfcual es el peso promedio de todas las mujeres de la argentina de 20 a\u00f1os? en este caso el resultado seria un rango y no un numero puntual), calcular el nivel de confianza, etc.<\/li><\/ul>\n\n\n\n
      • Test de hip\u00f3tesis o contraste de hip\u00f3tesis<\/em>: este m\u00e9todo es uno de los mas utilizado y mas f\u00e1ciles de comprender. Este m\u00e9todo se basa en contrastar 2 hip\u00f3tesis planteadas de la siguiente forma:<\/li><\/ul>\n\n\n\n

        1. Hip\u00f3tesis nula (H0): es la hip\u00f3tesis que se debe comprobar. Es un enunciado sobre el que no se conoce su verdad o falsedad. En estad\u00edstica, este enunciado siempre es respecto a una poblaci\u00f3n.<\/p>\n\n\n\n

        2. Hip\u00f3tesis alternativa (H1): se establece como el complemente de la hip\u00f3tesis nula, y representa la conclusi\u00f3n cuando H0 es rechazada.<\/p>\n\n\n\n

        Estas 2 hip\u00f3tesis deben ser exhaustivas y excluyentes, es decir, nunca hay intersecci\u00f3n entre ellas y la uni\u00f3n de ambas genera el conjunto total de alternativas.<\/p>\n\n\n\n

        Ejemplo:<\/p>\n\n\n\n

        H0: el promedio que tarda una aspirina en hacer efecto es de 15 minutos.<\/p>\n\n\n\n

        H1: el promedio que tarda una aspirina en hacer efecto es de mas de 15 minutos.<\/p>\n\n\n\n

        Conclusiones y errores de tipo I y tipo II para el test de hip\u00f3tesis:<\/strong><\/p>\n\n\n\n

        Las decisiones se plantean siempre respecto de la hip\u00f3tesis nula, por lo que da 2 resultados posibles:<\/p>\n\n\n\n

        a) Aceptar la hip\u00f3tesis nula (o rechazar la alternativa)<\/p>\n\n\n\n

        b) Rechazar la hip\u00f3tesis nula (o aceptar la alternativa)<\/p>\n\n\n\n

        Para llegar a una de estas decisiones se adopta una regla de decisi\u00f3n<\/em>, basada en la informaci\u00f3n muestral.<\/p>\n\n\n\n

        Por otro lado, H0 puede ser verdadera o falsa. Entonces cuando aceptamos o rechazamos la hip\u00f3tesis nula podemos tener raz\u00f3n o cometer un error. De esta forma qudarian las siguientes posibilidades:<\/p>\n\n\n\n

        Decisi\u00f3n sobre H0<\/em><\/strong><\/td>H0 es verdadera<\/em><\/strong><\/td>H0 es falsa<\/em><\/strong><\/td><\/tr>
        Aceptar H0<\/td>Decisi\u00f3n correcta<\/td>Decisi\u00f3n incorrecta<\/td><\/tr>
        Rechazar H0<\/td>Decisi\u00f3n incorrecta<\/td>Decisi\u00f3n correcta<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

        Si aceptamos la hip\u00f3tesis nula cuando es verdadera y la rechazamos cuando es falsa, estaremos tomando una decisi\u00f3n correcta, pero si la rechazamos cunado es verdadera, estaremos cometiendo un error; a esto se lo llama error tipo I<\/em><\/strong>. Tambi\u00e9n, si aceptamos la hip\u00f3tesis nula cuando es falsa estaremos cometiendo otro tipo de error; se lo llama error tipo II<\/em><\/strong>.<\/p>\n\n\n\n

        Ll\u00ednas Solano Humberto (2017) utiliza el siguiente ejemplo: “supongamos que un individuo es juzgado un por un delito que supuestamente ha cometido y supongamos que se formulan las hip\u00f3tesis siguientes:<\/em><\/p>\n\n\n\n

        H0: El individuo es inocente.<\/em><\/p>\n\n\n\n

        H1: el individuo es culpable.<\/em><\/p>\n\n\n\n

        Los abogados de la fiscalia tratan de probar que H1 es verdadera (o que H0 es falsa). Al llegar a su veredicto final, el jugarado debe emitir una decisi\u00f3n correcta o incorrecta. Las decisiones correctas consisten en que el jurado vote inocente cuando el individuo es inocente y culpable cuando el individuo es culpable. Las decisiones incorrectas son que el jurado opte por castigar al acusado cuando este es inocente (error de tipo I) o perdonarlo cuando sea culpable (error de tipo II).”<\/em>(p. 154).<\/p>\n\n\n\n

        A partir de esto, podemos darnos cuenta que el error de tipo I es siempre el peor error que podemos cometer. Siguiendo el ejemplo, cometer este error significar\u00eda que no solo estaremos condenando a un inocente sino tambi\u00e9n que el culpable no seria castigado. Es por esto que las estrategias que utilizan este m\u00e9todo se enfocan en minimizar lo m\u00e1ximo posible la probabilidad de cometer este error.<\/p>\n\n\n\n

        • Otros m\u00e9todos: Existen muchos otros m\u00e9todos utilizados por la estad\u00edstica inferencial para lograr su cometido pero solo se los nombrara debido a la complejidad que implicar\u00eda desarrollarlos, ya que el objetivo de este articulo es dar una idea general de este tema.<\/li><\/ul>\n\n\n\n

          Algunos de estos m\u00e9todos son:<\/p>\n\n\n\n

          1. Diferencias de medias y porcentajes.<\/li>
          2. Contraste de bondad de ajuste, Prueba de independencia y prueba de homogeneidad<\/li>
          3. Analisis de la Varianza<\/li>
          4. Regresion lineal y correlacion<\/li>
          5. Contrastes no parametricos y de distribuci\u00f3n libre<\/li><\/ol>\n\n\n\n

            Referencias:<\/span><\/strong><\/p>\n\n\n\n

            Olivo Suar\u00e9z, E. (2008). Significado de los Intervalos de Confianza para los Estudiantes de Ingenier\u00eda en M\u00e9xico. (Doctoral). Universidad de Granada.<\/p>\n\n\n\n

            Otzen, T. & Manterola, C. (2017) T\u00e9cnicas de Muestreo sobre una Poblaci\u00f3n a Estudio. Inernational Journal of Morphology. Vol. 35. No. 1. Pp. 227-232<\/p>\n\n\n\n

            Vargas Sabadias, Antonio. (1995) Estadistica Descriptiva e Inferencial. Cuenca. Servicio de Publicaciones de la Universidad de Castilla-La Mancha.<\/p>\n\n\n\n

            Ll\u00ednas Solano, H. (2017) Estad\u00edstica Inferencial. Barranquilla. Universidad del norte.<\/p>\n","protected":false},"excerpt":{"rendered":"

            La practica de la medicina esta basada en protocolos, existen distintos tipos de protocolos (quir\u00fargicos, de seguimiento, de tratamiento, etc.). A su vez estos protocolos se crean bas\u00e1ndose en resultados estad\u00edsticos previamente recopilados sobre grandes grupos de poblaciones.<\/p>\n","protected":false},"author":37,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[25],"tags":[61,62,59,60,63],"_links":{"self":[{"href":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/wp-json\/wp\/v2\/posts\/284"}],"collection":[{"href":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/wp-json\/wp\/v2\/users\/37"}],"replies":[{"embeddable":true,"href":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/wp-json\/wp\/v2\/comments?post=284"}],"version-history":[{"count":5,"href":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/wp-json\/wp\/v2\/posts\/284\/revisions"}],"predecessor-version":[{"id":3357,"href":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/wp-json\/wp\/v2\/posts\/284\/revisions\/3357"}],"wp:attachment":[{"href":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/wp-json\/wp\/v2\/media?parent=284"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/wp-json\/wp\/v2\/categories?post=284"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/metodocientifico.com.ar\/uai\/padawan\/blog\/wp-json\/wp\/v2\/tags?post=284"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}