Capítulo 6 Introducción a la inferencia estadística
6.1 Inferencia estadística
El cálculo de probabilidades proporciona el marco matemático para modelizar fenómenos en los que interviene el azar. En este contexto, partimos de un espacio de probabilidad \((\Omega, \mathcal{A}, P)\) y una variable aleatoria \(X: \Omega \to \mathbb{R}\).
Cuando su distribución es conocida, podemos:
- realizar cálculos deductivos (por ejemplo, probabilidades o cuantiles),
- modelizar fenómenos aleatorios usando distribuciones que consideramos razonables.
Por ejemplo, si asumimos que el peso de los recién nacidos se distribuye como una \(N(3,0.25^2)\), midiendo el peso en kg (media 3 kg y desviación típica 0.25 kg), podemos calcular la probabilidad de que un recién nacido pese entre 2.9 y 3.1 kg, o determinar un intervalo que contenga al 50% o al 95% de las observaciones.
En todos estos ejemplos, partimos de un modelo probabilístico conocido y, a partir de él, obtenemos conclusiones.
En inferencia estadística ocurre lo contrario:
tenemos una muestra \((x_1, \ldots, x_n)\) y queremos aprender sobre la distribución desconocida que generó esos datos.
No es factible pesar todos los recién nacidos ni medir exhaustivamente todos los individuos de una población. La idea es que una muestra bien tomada debe contener información suficiente para decir algo sobre la población.
Así, el objetivo de la inferencia estadística es:
Obtener información sobre la distribución de probabilidad de un fenómeno a partir de observaciones parciales.
6.2 Problemas de inferencia estadística
Según el tipo de conclusión que deseemos extraer, distinguimos tres tipos de problemas:
Estimación puntual.
Queremos obtener un valor numérico que estime una característica desconocida de la población (media, proporción, varianza…).Estimación por intervalo.
Queremos construir un intervalo mediante un procedimiento que, al repetir el muestreo, contenga el parámetro en una proporción prefijada de casos (el nivel de confianza). El parámetro es fijo; el intervalo cambia entre muestras.-
Contraste de hipótesis.
Queremos decidir si los datos son compatibles con una afirmación sobre la población.- Paramétrico: la afirmación es sobre parámetros.
- No paramétrico: no se impone una familia de distribuciones descrita por un número finito de parámetros; puede tratarse, por ejemplo, de la forma de la distribución o de comparaciones entre poblaciones.
Estos tres tipos de problemas constituyen la base del resto del curso y de gran parte de la estadística clásica.
6.3 Distribución de la población
En toda situación inferencial existe un cierto grado de desconocimiento sobre la distribución que rige el fenómeno. Consideramos una variable aleatoria \(X\) con distribución \(F\), conocida solo parcialmente.
A menudo expresamos este desconocimiento mediante una familia de distribuciones:
\[ X \sim F \in \mathcal{F}, \]
donde \(\mathcal{F}\) puede ser, por ejemplo:
- todas las distribuciones normales,
- todas las distribuciones simétricas,
- todas las distribuciones discretas sobre \(\mathbb{N}\).
Un caso muy habitual es cuando la distribución está determinada por uno o varios parámetros desconocidos. Entonces escribimos:
\[ \{\,F_\theta : \theta \in \Theta \subset \mathbb{R}^k \,\}. \]
A esta familia la llamamos modelo estadístico: describe las distribuciones posibles para los datos.
Ejemplo 6.3.1.
La vida útil de un componente electrónico puede modelizarse con una distribución de Weibull. Con la parametrización siguiente, el caso sin envejecimiento corresponde a \(\beta=1\) (modelo exponencial):
\[ f_\theta(x) = \begin{cases} \alpha \beta x^{\beta-1} e^{-\alpha x^\beta}, & x\ge 0,\\[4pt] 0, & x<0. \end{cases} \]
La familia de distribuciones asociada es
\[ \mathcal{F}=\left\{F_{\theta}: \theta=(\alpha, \beta) \in(0, \infty) \times(0, \infty)\right\} \]
En esta parametrización, la escala usada en U3 y en rweibull es \(\alpha^{-1/\beta}\) y la forma es \(\beta\).
Ejemplo 6.3.2. Modelo de mediciones. Queremos estimar la masa \(\mu\) de partículas observadas en una cámara de burbujas. Observamos mediciones:
\[ x_i = \mu + \varepsilon_i,\qquad i=1,\ldots,n, \]
donde los errores \(\varepsilon_i\) son simétricos alrededor de cero. Si existe la esperanza, \(E(\varepsilon_i)=0\) y \(E(X_i)=\mu\).
- Enfoque paramétrico:
\[ X\sim N(\mu,\sigma^2),\qquad \sigma>0. \]
- Enfoque no paramétrico:
\[ X \sim F \in\{\text{distribuciones simétricas alrededor de }\mu\}. \]
Ambos enfoques son válidos según el grado de simplificación que aceptemos.
6.4 Muestra aleatoria simple
Ejemplo 6.4.1. Variabilidad entre muestras.
set.seed(1)
u6_par <- par(mfrow=c(1,3))
for(i in 1:3){
x <- rnorm(30,10,2)
hist(x, breaks=seq(min(2,floor(min(x)/2)*2), max(18,ceiling(max(x)/2)*2),by=2), xlim=c(2,18), ylim=c(0,20),
main=paste("Muestra",i), xlab="Valor")
}
Figure 6.1: Histogramas de tres muestras de la misma población normal.
par(u6_par)Para estudiar un problema inferencial analizamos una muestra de tamaño \(n\).
Seleccionamos \(n\) individuos de la población:
\[ \omega_1,\omega_2,\ldots,\omega_n, \]
y observamos en ellos la variable de interés \(X\), obteniendo los valores muestrales:
\[ X(\omega_1)=x_1,\; X(\omega_2)=x_2,\; \ldots,\; X(\omega_n)=x_n. \]
En términos probabilísticos, consideramos que estos valores proceden de variables aleatorias:
\[ X_1, X_2, \ldots, X_n, \]
todas con la misma distribución que \(X\) y mutuamente independientes. Este es el modelo i.i.d. empleado en el curso. En una población finita, extraer sin reemplazo genera dependencia; no se debe aplicar automáticamente este modelo sin considerar el diseño de muestreo.
6.4.1 Definición (Muestra aleatoria simple)
Una muestra aleatoria simple (m.a.s.) de tamaño \(n\) de una variable aleatoria \(X\sim F\) es una colección:
\[ X_1, X_2, \ldots, X_n \stackrel{\text{i.i.d.}}{\sim} F. \]
La realización de la muestra es el vector de valores observados:
\[ (x_1,x_2,\ldots,x_n)\in\mathbb{R}^n. \]
6.4.2 Distribución de la muestra
La muestra completa puede interpretarse como un vector aleatorio \(n\)-dimensional:
\[ \mathbf{X}=(X_1,\ldots,X_n). \]
Su distribución conjunta es:
\[ G(x_1,\ldots,x_n) = F(x_1)\cdots F(x_n), \]
gracias a la independencia.
6.4.3 Casos particulares
- Variable discreta:
\[ p_G(x_1,\ldots,x_n)=\prod_{i=1}^n p_F(x_i). \]
- Variable absolutamente continua:
\[ g(x_1,\ldots,x_n)=\prod_{i=1}^n f(x_i). \]
Ejemplo 6.4.2.
Una moneda con probabilidad \(\theta\) de salir cara define la variable:
\[ X = \begin{cases} 1,& \text{si sale cara},\\ 0,& \text{si sale cruz.} \end{cases} \]
Con \(X\sim B(1,\theta)\).
Si lanzamos 3 veces de forma independiente, la distribución conjunta de \((X_1,X_2,X_3)\) viene dada por:
\[ g_\theta(x_1,x_2,x_3) = \theta^{x_1+x_2+x_3}(1-\theta)^{3-(x_1+x_2+x_3)},\quad (x_1,x_2,x_3)\in\{0,1\}^3. \]
6.5 Estadísticos
Para extraer información sobre la población definimos funciones de la muestra llamadas estadísticos.
6.5.1 Definición
Dada una muestra i.i.d. \(X_1,\ldots,X_n\), un estadístico es cualquier variable aleatoria de la forma:
\[ T = T(X_1,\ldots,X_n), \]
que no depende de parámetros desconocidos.
La regla de cálculo de un estadístico no contiene parámetros desconocidos; su distribución sí puede depender de ellos. Por ejemplo, la media muestral se calcula solo con los datos, aunque su esperanza sea la media poblacional desconocida.
Un estimador de un parámetro \(\theta\) es un estadístico que se utiliza para aproximar su valor. El estimador es una variable aleatoria; el valor que toma en la muestra observada es la estimación. Cuando se exige que las estimaciones pertenezcan a \(\Theta\), se habla de un estimador restringido a ese espacio.
6.6 Distribución en el muestreo de un estadístico
Dado un estadístico \(T(X_1,\ldots,X_n)\), su distribución de muestreo es la distribución de probabilidad de dicho estadístico cuando repetimos el procedimiento de muestreo.
Por ejemplo:
\[ P\left(T(X_1,\ldots,X_n)>t_0\right). \]
Calcular esta distribución puede ser sencillo o extremadamente difícil según la forma de \(T\) y la distribución poblacional \(F\).
Métodos típicos para obtenerla:
- cambio de variable,
- transformaciones,
- uso de la función generadora de momentos,
- Teorema Central del Límite.
Ejemplo 6.6.1.
Sea \(X\sim \text{Poisson}(\lambda)\), y \(\bar X\) la media muestral de \(n\) observaciones.
Como \(\sum X_i\sim \text{Poisson}(n\lambda)\), entonces:
\[ P(\bar X=r) = P\left(\sum X_i = nr\right) = \frac{e^{-n\lambda}(n\lambda)^{nr}}{(nr)!},\quad nr\in\{0,1,2,\ldots\}. \]
La probabilidad es cero si \(nr\) no es un entero no negativo.
Ejemplo 6.6.2. Profundización opcional: de Gumbel a Gamma.
Sea \(X\) una variable con densidad:
\[ f_\theta(x) = e^{-(x-\theta)} e^{-e^{-(x-\theta)}},\qquad \theta\in\mathbb{R}. \]
Consideramos:
\[ T = \sum_{i=1}^n e^{-X_i}. \]
La transformación \(Y=e^{-X}\) sigue una exponencial con escala \(e^{-\theta}\), o tasa \(e^{\theta}\): para \(y>0\), \(P(Y>y)=\exp(-e^{\theta}y)\). Por independencia, la suma \(T\) sigue una Gamma de escala \(e^{-\theta}\) y forma \(n\), es decir, \(G(e^{-\theta},n)\) en la notación de U3. En R se usaría shape = n, scale = exp(-theta).
6.7 La distribución empírica
A partir de una muestra \(X_1,\ldots,X_n\) podemos asociar una distribución particular basada exclusivamente en las observaciones:
\[ F_n(x) = \frac{k(x)}{n}, \]
donde \(k(x)\) es el número de datos muestrales menores o iguales que \(x\).
Esta distribución se denomina distribución empírica.
En la práctica, ordenamos la muestra:
\[ x_{(1)} \le x_{(2)} \le \cdots \le x_{(n)}, \]
y definimos:
\[ F_n(x) = \begin{cases} 0, & x<x_{(1)},\\[4pt] k/n, & x_{(k)} \le x < x_{(k+1)},\\[4pt] 1, & x \ge x_{(n)}. \end{cases} \]
Ejemplo 6.7.1.
Muestra:
\[ 5.1,\; 3.4,\; 1.2,\; 17.6,\; 2.1,\; 16.4,\; 4.3. \]
Ordenada:
\[ 1.2,\; 2.1,\; 3.4,\; 4.3,\; 5.1,\; 16.4,\; 17.6. \]
Podemos representarla con R:

Figure 6.3: Función de distribución empírica de siete observaciones.
La distribución empírica depende solo de los datos observados y no coincide necesariamente con la distribución poblacional ni con la distribución conjunta del muestreo.
La definición cuenta todas las observaciones, incluidas las repetidas: un valor con \(r\) repeticiones produce un salto de \(r/n\).
6.8 Momentos muestrales
Sea \(F_n\) la distribución empírica. Sus momentos se denominan momentos muestrales:
\[ a_k = \frac{1}{n}\sum_{i=1}^n x_i^k, \]
y los momentos muestrales centrados:
\[ b_k = \frac{1}{n}\sum_{i=1}^n (x_i - \bar x)^k. \]
6.9 Distribución en el muestreo de los momentos muestrales
Ejemplo 6.9.1. TCL aplicado a momentos muestrales.
set.seed(4)
medias <- replicate(4000, mean(rexp(40)))
hist(medias, breaks=30, freq=FALSE)
curve(dnorm(x,1,1/sqrt(40)), add=TRUE, col="blue")
Figure 6.4: Medias de muestras exponenciales y aproximación normal.
Los momentos muestrales son estadísticos, por lo que tienen distribución de muestreo.
Si \(E(|X|^k)<\infty\), denotamos \(\alpha_k = E[X^k]\) y tenemos:
\[ E(a_k) = \alpha_k \]
Si además \(E(|X|^{2k})<\infty\),
\[ \operatorname{Var}(a_k) = \frac{1}{n}\left( \alpha_{2k} - \alpha_k^2 \right). \]
Para la varianza muestral no corregida, si \(E(X^2)<\infty\) y \(n\ge2\):
\[ s^2 = \frac{1}{n}\sum_{i=1}^n (X_i - \bar X)^2, \]
se obtiene:
\[ E(s^2)=\frac{n-1}{n}\sigma^2. \]
La expresión de \(\operatorname{Var}(s^2)\) es más compleja y depende de los momentos centrados de orden 4.
6.10 Muestreo en poblaciones normales
Cuando \(X\sim N(\mu,\sigma^2)\), con \(\sigma>0\) y \(n\ge2\), las distribuciones en el muestreo de algunos estadísticos importantes pueden obtenerse exactamente.
Dos estadísticos fundamentales son:
- la media muestral \(\bar X\),
- la cuasivarianza o varianza muestral corregida \(S^2=\frac{1}{n-1}\sum_{i=1}^n (X_i - \bar X)^2\).
Se distingue de \(s^2=b_2\), que divide por \(n\): \(S^2=ns^2/(n-1)\). En R, var(x) calcula \(S^2\). En toda la unidad \(N(\mu,\sigma^2)\) indica media y varianza.
Partimos de:
\[ \bar X \sim N\!\left(\mu,\; \frac{\sigma^2}{n}\right). \]
Pero la distribución de \(S^2\) es más interesante, ya que da lugar a la primera de las distribuciones derivadas de la normal.
6.10.1 La distribución chi-cuadrado y la varianza muestral
Un resultado fundamental es:
\[ \frac{(n-1)S^2}{\sigma^2} \sim \chi^2_{\,n-1}. \]
Esto significa que la distribución chi-cuadrado no aparece arbitrariamente, sino de manera natural como la distribución del estadístico de variancia muestral en población normal.
Para una variable \(Q\sim\chi_k^2\), la esperanza y la varianza cumplen:
\[ E(Q)=k,\qquad \operatorname{Var}(Q)=2k. \]
La suma de variables chi-cuadrado independientes es chi-cuadrado con los grados de libertad sumados. En una muestra normal, \(\bar X\) y \(S^2\) son independientes; esta propiedad permite obtener la distribución t siguiente.
6.10.2 La distribución t de Student y el estadístico \(T\)
Si \(\sigma\) es desconocida y la reemplazamos por \(S\), la variable
\[ T = \frac{\bar X - \mu}{S/\sqrt{n}} \]
sigue una distribución t de Student con \(n-1\) grados de libertad.
Aquí \(S=\sqrt{S^2}\). La t surge de forma natural al estandarizar la media muestral usando la desviación típica estimada. El resultado es exacto bajo normalidad, no para cualquier población.
Su densidad, con \(m=n-1>0\) grados de libertad, es:
\[ f(t)= \frac{\Gamma((m+1)/2)}{\Gamma(m/2)\sqrt{m\pi}} \left(1 + \frac{t^2}{m}\right)^{-(m+1)/2}. \]
A medida que \(m\to\infty\), la t converge a la normal estándar.
6.10.3 La distribución F de Fisher y la razón de varianzas.
Si tenemos dos muestras normales independientes:
\[ X_1,\ldots,X_{n_1} \sim N(\mu_1,\sigma_1^2), \] \[ Y_1,\ldots,Y_{n_2} \sim N(\mu_2,\sigma_2^2), \]
entonces el cociente:
\[ F = \frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2} \]
sigue una distribución F de Fisher con \((n_1-1,n_2-1)\) grados de libertad.
Aquí \(S_1^2\) y \(S_2^2\) son las varianzas corregidas, con divisores \(n_1-1\) y \(n_2-1\). Si las varianzas poblacionales son iguales, el cociente se reduce a \(S_1^2/S_2^2\). Sin esa igualdad, el cociente sin normalizar no tiene en general una distribución F estándar.
Su densidad general es:
\[ f(x)= \frac{m^{m/2} n^{n/2} \Gamma((m+n)/2)} {\Gamma(m/2)\Gamma(n/2)} \frac{x^{m/2-1}}{(mx+n)^{(m+n)/2}}, \qquad x>0. \]
6.11 Apéndice técnico (opcional)
Este apéndice reúne algunos resultados y demostraciones que, aunque útiles, interrumpen el flujo del capítulo si se presentan en la parte principal del texto.
En una primera lectura, conviene dominar muestra frente a realización, estadístico frente a estimación, distribución de muestreo y la diferencia entre \(s^2\) y \(S^2\). Las derivaciones del apéndice permiten profundizar después; no son necesarias para ejecutar los ejemplos anteriores.
6.11.1 Función generadora de momentos de la media muestral
Sea \(X\) una variable aleatoria con función generadora de momentos \(M_X(t)\).
Consideremos la media muestral:
\[ \bar X_n = \frac{1}{n}\sum_{i=1}^n X_i, \]
donde \(X_1,\ldots,X_n\) son i.i.d. con la misma distribución que \(X\).
Resultado:
\[ M_{\bar X_n}(t) = \left[ M_X\left(\frac{t}{n}\right) \right]^n. \]
Demostración por definición
\[ \begin{aligned} E\left(e^{t\bar X_n}\right) &= E\left(e^{t\frac{1}{n}\sum X_i}\right) = E\left(\prod_{i=1}^n e^{\frac{t}{n}X_i}\right)\\[4pt] &= \prod_{i=1}^n E\left(e^{\frac{t}{n}X_i}\right) = \left[ M_X\left(\tfrac{t}{n}\right)\right]^n. \end{aligned} \]
Demostración alternativa por propiedades
- Para cualquier \(a\), \(M_{aX}(t)=M_X(at)\).
- Por independencia: \[ M_{\sum X_i}(t)=\prod M_{X_i}(t). \]
Aplicando ambas:
\[ M_{\bar X_n}(t) = M_{\sum X_i}(t/n) = \prod M_X(t/n) = \left[M_X(t/n)\right]^n. \]
6.11.2 Momentos centrales y relación con la varianza muestral
Para el momento muestral centrado de orden 2:
\[ b_2 = \frac{1}{n} \sum (X_i - \bar X)^2, \]
se cumple:
\[ E(b_2) = \frac{n-1}{n}\sigma^2. \]
Idea de demostración
- Expandimos: \[ (X_i - \bar X)^2 = X_i^2 - 2X_i\bar X + \bar X^2. \]
- Sumando y tomando esperanzas aparecen términos: \[ E(X_i^2),\; E(\bar X^2),\; E(X_i\bar X). \]
- Usando independencia y simetría se obtiene el resultado final.
El cálculo completo es estándar pero laborioso.
6.11.3 Propiedades asintóticas de los momentos muestrales
6.11.3.1 Convergencia
Si \(E(|X|^{2k})<\infty\), los momentos muestrales convergen en probabilidad a los momentos poblacionales. Esta condición permite la demostración por Tchebychev que sigue:
\[ a_k \xrightarrow{P} \alpha_k. \]
Aplicando la desigualdad de Tchebychev:
\[ P(|a_k - \alpha_k|\ge \varepsilon) \le \frac{\alpha_{2k}-\alpha_k^2}{n\varepsilon^2} \to 0. \]
Esta propiedad será fundamental en la noción de estimador consistente.
6.11.3.2 Distribución asintótica
Si además \(0<\alpha_{2k}-\alpha_k^2<\infty\), aplicando el Teorema Central del Límite a \(n a_k = \sum X_i^k\), obtenemos:
\[ \frac{a_k - \alpha_k}{\sqrt{\operatorname{Var}(a_k)}} \xrightarrow{\mathcal{L}} N(0,1). \]
En particular:
\[ a_k \ \text{es aproximadamente}\ N\left( \alpha_k,\; \frac{\alpha_{2k}-\alpha_k^2}{n} \right). \]
6.11.4 Recordatorio: propiedades útiles de la distribución Gamma
Con escala \(\alpha>0\) y forma \(p>0\), como en U3, recordamos que si \(Y\sim G(\alpha,p)\) con densidad:
\[ f_Y(y) = \frac{1}{\alpha^p\Gamma(p)} y^{p-1} e^{-y/\alpha}, \qquad y>0, \]
entonces:
\[ E(Y) = p\alpha, \qquad \operatorname{Var}(Y) = p\alpha^2. \]
Además, si \(Y_1\) y \(Y_2\) son gammas independientes:
\[ Y_1 \sim G(\alpha,p_1),\qquad Y_2 \sim G(\alpha,p_2), \]
entonces:
\[ Y_1 + Y_2 \sim G(\alpha,p_1+p_2). \]
Esto explica la reproductividad de la chi-cuadrado, ya que:
\[ \chi_k^2 \equiv G\left(2,\frac{k}{2}\right). \]
6.11.5 Derivación estructurada de \(\chi^2\), \(t\) y \(F\)
Aquí resumimos las relaciones esenciales:
6.11.5.1 Varianza muestral en población normal
\[ \frac{(n-1)S^2}{\sigma^2}\sim \chi^2_{n-1}. \]
Surge al sumar cuadrados de variables normales estandarizadas independientes.
6.11.6 Asintótica útil para inferencia
La convergencia de la media requiere observaciones i.i.d. con varianza positiva finita para el TCL; la versión normal tipificada de los momentos requiere \(0<\operatorname{Var}(X^k)<\infty\). Glivenko–Cantelli se aplica a muestras i.i.d. sin exigir momentos. Este último resultado se ofrece como referencia opcional, sin demostración.
- Media muestral
\[ \sqrt{n}\,(\bar X - \mu)\xrightarrow{\mathcal{L}} N(0,\sigma^2). \]
- Momentos muestrales
\[ \frac{a_k - \alpha_k}{\sqrt{\operatorname{Var}(a_k)}} \xrightarrow{\mathcal{L}} N(0,1). \]
- Distribución empírica (Glivenko-Cantelli)
\[ \sup_x |F_n(x)-F(x)| \xrightarrow{\text{c.s.}} 0. \]
- Teorema Central del Límite
\[ \frac{\sum X_i - n\mu}{\sigma\sqrt{n}} \xrightarrow{\mathcal{L}} N(0,1). \]
Estas propiedades justifican métodos de inferencia aproximada y son el fundamento del método delta y del bootstrap que aparecerán más adelante.
