Estadística inferencial
La estadística inferencial usa los datos de una muestra para sacar conclusiones sobre toda una población, midiendo la incertidumbre.
La estadística inferencial es la rama de la estadística que permite sacar conclusiones sobre una población a partir de los datos de una muestra, cuantificando la incertidumbre de esas conclusiones. Es la herramienta que hay detrás de las encuestas electorales, los ensayos clínicos, el control de calidad y buena parte de la investigación en ciencias económicas, donde casi nunca es posible observar a todos los individuos o empresas que se quieren estudiar.
¿Qué es la estadística inferencial?
Mientras que la estadística descriptiva resume y presenta los datos que se tienen (medias, tablas, gráficos), la inferencial va un paso más allá: usa esos datos para estimar parámetros desconocidos o contrastar afirmaciones sobre el conjunto completo. Se apoya en la teoría de la probabilidad, que permite medir cuánto puede equivocarse una estimación.
Su lógica es sencilla: si la muestra se elige bien, es decir, de forma aleatoria y representativa, lo observado en ella se parece a lo que ocurre en la población, y la diferencia se puede acotar.
Conceptos básicos
| Concepto | Definición | Ejemplo |
|---|---|---|
| Población | Conjunto completo que se quiere estudiar | Todos los hogares de España |
| Muestra | Subconjunto observado de la población | 2.000 hogares encuestados |
| Parámetro | Valor desconocido de la población (μ, σ, p) | Gasto medio real de todos los hogares |
| Estadístico | Valor calculado con la muestra (x̄, s, p̂) | Gasto medio de los 2.000 hogares |
| Estimador | Regla para calcular un estadístico que aproxima el parámetro | La media muestral |
| Nivel de confianza | Probabilidad de que el método acierte | 95 % |
Métodos principales
Estimación puntual
Consiste en dar un único valor como aproximación del parámetro. La media muestral estima la media poblacional; la proporción muestral estima la proporción de la población. Un buen estimador es insesgado, eficiente y consistente.
Estimación por intervalos
Proporciona un rango de valores en el que, con cierto nivel de confianza, se encuentra el parámetro. Un intervalo de confianza del 95 % significa que, si se repitiera el muestreo muchas veces, aproximadamente el 95 % de los intervalos construidos contendría el valor real. Para la media con desviación típica conocida:
x̄ ± z · σ / √n
donde z vale 1,645 para el 90 %, 1,96 para el 95 % y 2,576 para el 99 %.
Contraste de hipótesis
Sirve para decidir si los datos son compatibles con una afirmación. Se plantea una hipótesis nula (H₀, normalmente «no hay efecto o diferencia») frente a una alternativa (H₁), y se calcula la probabilidad de obtener resultados tan extremos si H₀ fuese cierta: el p-valor. Si es menor que el nivel de significación fijado (α, habitualmente 0,05), se rechaza H₀.
| H₀ es cierta | H₀ es falsa | |
|---|---|---|
| Se rechaza H₀ | Error de tipo I (probabilidad α) | Decisión correcta |
| No se rechaza H₀ | Decisión correcta | Error de tipo II (probabilidad β) |
Otras técnicas
Incluyen el análisis de regresión, el análisis de la varianza (ANOVA), las pruebas chi-cuadrado y los métodos no paramétricos. En econometría, la regresión permite medir relaciones entre variables, como entre renta y consumo.
El teorema central del límite
Es el fundamento de gran parte de la inferencia: al tomar muestras suficientemente grandes de una población con media μ y varianza finita, la distribución de la media muestral se aproxima a una normal, con media μ y desviación típica σ/√n, sea cual sea la forma de la población original. Gracias a ello se pueden construir intervalos y contrastes con herramientas comunes.
Muestreo
La calidad de las inferencias depende de cómo se obtiene la muestra. Entre los métodos probabilísticos están el muestreo aleatorio simple, el sistemático, el estratificado y el por conglomerados. Un muestreo sesgado, por ejemplo una encuesta online que solo llega a ciertos perfiles, invalida las conclusiones por muy grande que sea la muestra.
Aplicaciones en economía y empresa
- Estimar la tasa de paro y la inflación a partir de encuestas.
- Controlar la calidad de un lote de productos sin revisar todas las unidades.
- Evaluar si una política o campaña ha tenido efecto.
- Estudios de mercado y previsión de ventas.
- Análisis de riesgo y rendimiento en inversiones.
Es una herramienta clave tanto en microeconomía como en macroeconomía empíricas.
Errores frecuentes al interpretar
- Entender el p-valor como la probabilidad de que la hipótesis nula sea cierta.
- Confundir significación estadística con importancia práctica.
- Interpretar el intervalo de confianza como la probabilidad de que el parámetro esté dentro de ese intervalo concreto.
- Extrapolar resultados a poblaciones distintas a la muestreada.
Ejercicios resueltos
1. En una muestra de 100 clientes, el gasto medio es de 50 € y se sabe que σ = 10 €. Calcula el intervalo de confianza del 95 % para la media poblacional.
Error = 1,96 × 10 / √100 = 1,96. Intervalo = 50 ± 1,96 = [48,04 ; 51,96].
2. Se afirma que el gasto medio es de 50 €, pero una muestra de 100 clientes da 52 € (σ = 10). ¿Se rechaza H₀: μ = 50 con α = 0,05 (bilateral)?
z = (52 − 50) / (10 / √100) = 2 / 1 = 2. Como |2| > 1,96, se rechaza H₀ al 5 %.
3. ¿Qué tamaño de muestra se necesita para estimar una proporción con un error máximo del 5 % y confianza del 95 %, sin información previa (p = 0,5)?
n = z²·p·(1 − p) / e² = 1,96² × 0,25 / 0,05² = 0,9604 / 0,0025 = 384,16. Se redondea al alza: 385 observaciones.
Preguntas frecuentes
¿Cuál es la diferencia entre estadística descriptiva e inferencial?
La descriptiva resume los datos observados; la inferencial utiliza una muestra para generalizar a la población y medir la incertidumbre de esas generalizaciones.
¿Qué es el nivel de significación?
Es la probabilidad máxima de cometer un error de tipo I (rechazar una hipótesis nula cierta) que el investigador está dispuesto a aceptar. Suele fijarse en 0,05 o 0,01.
¿Qué significa un intervalo de confianza del 95 %?
Que el procedimiento utilizado captura el valor real del parámetro en el 95 % de las repeticiones posibles del muestreo. No dice que haya un 95 % de probabilidad de que el parámetro esté en un intervalo ya calculado.
¿Cuántos datos hacen falta para que una muestra sea válida?
Depende de la variabilidad, la precisión deseada y el nivel de confianza. Más importante que el tamaño es que la muestra se haya seleccionado de forma aleatoria y representativa.
¿Qué es el p-valor?
Es la probabilidad de obtener un resultado igual o más extremo que el observado, suponiendo que la hipótesis nula es cierta. Valores pequeños indican que los datos son poco compatibles con ella.
Referencias
- Newbold, P., Carlson, W. y Thorne, B. Estadística para administración y economía. Pearson.
- Fisher, R. A. Statistical Methods for Research Workers (1925).
- Wasserman, L. All of Statistics. Springer.
Cómo citar este artículo
Equipo de Conceptualia. (2026). «Estadística inferencial». Conceptualia. https://conceptualia.es/cultura-y-sociedad/economia-y-finanzas/estadistica-inferencial/
