Estadística inferencial: qué es y para qué sirve (con ejemplos)
La estadística inferencial es la que te deja concluir sobre un grupo enorme sin medirlo entero. ¿Cómo saben las encuestas lo que piensa un país preguntando a unas miles de personas? Con inferencia estadística: eligen una muestra representativa, la analizan y generalizan al total, con un margen de error calculado.
RESUMEN
- ¿Qué es la estadística inferencial
- Población y muestra: el corazón del asunto
- Para qué sirve la estadística inferencial
- Un concepto que vale oro: margen de error
- Muestreo probabilístico y no probabilístico
Tabla de contenidos
¿Qué es la estadística inferencial?
La estadística inferencial es la que te deja concluir sobre un grupo enorme sin medirlo entero. ¿Cómo saben las encuestas lo que piensa un país preguntando a unas miles de personas? Con inferencia estadística: eligen una muestra representativa, la analizan y generalizan al total, con un margen de error calculado.
Es el salto de nivel después de la estadística descriptiva. La descriptiva describe lo que tienes; la inferencial se anima a concluir más allá. Es la base de la ciencia, la investigación de mercado y buena parte de la IA.
Población y muestra: el corazón del asunto
- Población: el grupo completo que te interesa (todos los votantes, todos tus clientes).
- Muestra: la parte que realmente analizas. Debe ser representativa (parecerse al total) y del tamaño adecuado.
- Inferencia: usar la muestra para estimar algo de la población, sabiendo que hay un margen de error.
Si la muestra está mal elegida (sesgada), la conclusión falla por más matemática que le pongas. Por eso el criterio al recolectar datos es tan importante como el cálculo.
Para qué sirve la estadística inferencial
- Encuestas y sondeos: estimar opiniones o preferencias de una población.
- Pruebas y experimentos: decidir si un cambio (un tratamiento, un botón, un precio) realmente funcionó o fue casualidad.
- Control de calidad: revisar una muestra de productos para concluir sobre todo el lote.
- Predicción y modelos: es la base estadística de muchos modelos de machine learning.
Un concepto que vale oro: margen de error
Cuando ves "45% con un margen de error de 3%", eso es inferencia. Significa que el valor real está probablemente entre 42% y 48%. Entender esto te vuelve un lector crítico: ningún resultado de muestra es un número exacto, siempre trae incertidumbre. Saber leerla te protege de titulares que exageran diferencias que caben dentro del margen de error.
Muestreo probabilístico y no probabilístico
Toda inferencia depende de cómo elegiste la muestra. Y hay dos grandes formas de hacerlo, con consecuencias muy distintas:
| Probabilístico | No probabilístico | |
|---|---|---|
| Cómo se elige | Al azar, todos tienen chance conocida de salir | Por conveniencia o criterio del investigador |
| Permite generalizar | Sí, con margen de error calculable | No de forma estadísticamente válida |
| Cuándo se usa | Estudios formales, encuestas serias | Exploración rápida, presupuesto bajo |
| Ejemplo | Sorteo aleatorio de 400 clientes de tu base | Encuestar a quien pase por tu tienda |
Los tipos de muestreo probabilístico más usados son el aleatorio simple (todos con la misma chance), el estratificado (divides la población en grupos y sacas de cada uno para respetar las proporciones) y el por conglomerados (eliges grupos completos, útil cuando están dispersos geográficamente).
Del lado no probabilístico están el muestreo por conveniencia (el más común y el más sesgado), por cuotas y de bola de nieve (un participante te refiere al siguiente, útil para poblaciones difíciles de alcanzar).
El punto práctico: si tu muestra es no probabilística, no puedes decir "el 60% de mis clientes piensa X". Puedes decir "de los 50 clientes que respondieron, 30 piensan X". Suena a detalle y no lo es. La mayoría de las conclusiones equivocadas que veo en empresas nacen de tratar una muestra por conveniencia como si fuera representativa.
Regresión lineal: predecir con una recta
La regresión lineal es probablemente la herramienta inferencial más útil para un negocio, y la más fácil de entender de todas las que predicen.
La idea: tienes dos variables que sospechas relacionadas (inversión en publicidad y ventas, por ejemplo). Pones cada mes como un punto en un gráfico, con la inversión en el eje horizontal y las ventas en el vertical. Si los puntos siguen una tendencia, trazas la recta que mejor los atraviesa. Esa recta es el modelo de regresión, y con ella puedes estimar cuánto venderías con una inversión que todavía no probaste.
La recta tiene dos números que sí vale la pena entender:
- La pendiente: cuánto sube la variable que quieres predecir por cada unidad que sube la otra. Si es 3, cada sol invertido en publicidad se asocia con 3 soles más de venta.
- El intercepto: el valor estimado cuando la otra variable es cero. Cuánto venderías sin invertir nada.
Y un tercer número que verás siempre, el R cuadrado: va de 0 a 1 e indica qué proporción de la variación se explica con el modelo. Un R cuadrado de 0.8 dice que la recta explica bastante bien lo que pasa; uno de 0.2 dice que la relación es débil y no deberías predecir con ella.
La advertencia imprescindible: correlación no es causalidad. Que dos cosas suban juntas no prueba que una cause la otra. Puede haber una tercera variable moviendo a las dos. La regresión te da una relación, no una explicación, y confundirlas es el error más caro del análisis de datos.
En la práctica no la calculas a mano: Excel la hace con una línea de tendencia sobre un gráfico de dispersión, y Python con tres líneas de código.
Preguntas frecuentes
¿Cuál es la diferencia entre estadística descriptiva e inferencial?
La descriptiva resume y describe los datos que tienes, sin ir más allá. La inferencial usa una muestra para concluir sobre una población entera, con un margen de error. Una describe, la otra generaliza.
¿Qué tan grande debe ser una muestra?
Depende del tamaño de la población y de la precisión que quieres. Lo clave no es solo el tamaño sino que sea representativa: que se parezca a la población. Una muestra pequeña bien elegida vale más que una grande y sesgada.
¿Qué es la regresión lineal en palabras simples?
Es trazar la recta que mejor se ajusta a una nube de puntos, para estimar el valor de una variable a partir de otra. Por ejemplo, estimar ventas a partir de la inversión en publicidad.
¿Cuál es la diferencia entre muestreo probabilístico y no probabilístico?
En el probabilístico cada elemento de la población tiene una chance conocida de ser elegido, lo que permite generalizar con margen de error. En el no probabilístico se elige por conveniencia o criterio, y los resultados no se pueden generalizar estadísticamente.
¿Qué significa el R cuadrado de una regresión?
Indica qué proporción de la variación de los datos explica el modelo, en una escala de 0 a 1. Cerca de 1 la recta describe bien la relación; cerca de 0 la relación es débil y no conviene predecir con ella.
¿La estadística inferencial se usa en inteligencia artificial?
Sí. Muchos modelos aprenden de una muestra de datos y generalizan a casos nuevos, que es la idea de la inferencia. Los conceptos de muestra, error y probabilidad son parte del fundamento del machine learning.
La estadística es lo que separa un dato de una decisión
Detrás de cada tablero y cada modelo hay estadística, y es la que dice si la diferencia que estás viendo es real o es ruido. En empresas eso no se enseña, se aplica: decidir con evidencia en vez de con la sensación del que habla más fuerte en la reunión.
Ejecuta tu proyecto
Aterriza tu proyecto de IA con Gera
Si ya tienes claro lo que quieres implementar, agendemos directo y armemos el roadmap. 30 minutos sin compromiso.
Agenda tu reunion con Gera
