DISTRIBUCIN MUESTRAL

PROBABILIDAD Y ESTADSTICA
1
1

Castillo F; 1 Ortega A; 1 Prez F; 2 Wood W.

Estudiante de IV semestre de Ingeniera Civil de la Universidad de Cartagena

2

Docente de Probabilidad y Estadstica de la Universidad de Cartagena

15 de septiembre de 2014

1. DISTRIBUCIONES
MUESTRALES
El campo de la inferencia estadstica
trata bsicamente con generalizaciones
y predicciones.
La distribucin de probabilidad de un
estadstico se denomina distribucin
muestral.
La distribucin muestral de un
estadstico depende de la distribucin
de la poblacin, del tamao de las
muestras y del mtodo de seleccin de
las muestras. En lo que nos compete
estudiar varias de las distribuciones
muestrales ms importantes de los
estadsticos que se utilizan con
frecuencia. Las aplicaciones de tales
distribuciones muestrales a problemas
de inferencia estadstica se consideran
ms adelante. La distribucin de
probabilidad de se llama distribucin
muestral de la media.

distribucin muestral describe la

variabilidad
de
los
promedios
muestrales alrededor de la media de la
poblacin . En el caso de la maquina
despachadora de bebidas, el conocer la
distribucin muestral de le permite al
analista encontrar una discrepancia
tpica entre un valor observado y el
verdadero valor de . Se aplica el
mismo principio en el caso de la
2

distribucin de s . La distribucin
muestral produce informacin acerca
de la variabilidad de los valores de s

alrededor de en experimentos que

se repiten.

2.1 DISTRIBUCIN MUESTRAL DE

MEDIAS Y EL TEOREMA DEL
LMITE CENTRAL
La primera distribucin muestral
importante a considerar es la de la
media
. Suponga que de una
poblacin normal con media y

2. QU ES LA DISTRIBUCIN
MUESTRAL DE MEDIA ( )?
Se
deberan
considerar
las
distribuciones muestrales de media ( )
y desviacin estndar (s2) como los
mecanismos a partir de los cuales se
puede hacer inferencias acerca de los
2

parmetros y . La distribucin
muestral de con tamao muestral n,
es la distribucin que resulta cuando un
experimento se lleva a cabo una y otra
vez (siempre con una muestra de
tamao n) y resultan los diversos
valores de . Por lo tanto, esta

varianza

se toma una muestra

aleatoria de n observaciones. Cada

observacin Xi, i = 1, 2,..., n, de la
muestra aleatoria tendr entonces la
misma distribucin normal que la
poblacin de donde se tom. As, por la
propiedad
reproductiva
de
la
distribucin normal que se estableci
en el teorema siguiente, y concluimos
que:

= (X1 + X2 ++ Xn)

Tiene una distribucin normal con

media:

=
2

Varianza x =

(1 + 2 ++ n) =
(21 + 22 ++ 2n).

Si tomamos muestras de una poblacin

con distribucin desconocida, ya sea
finita o infinita, la distribucin muestral
de
aun ser aproximadamente
normal con media y varianza

siempre que el tamao de la muestra

sea grande. Este asombroso resultado
es una consecuencia inmediata del
siguiente teorema, que se conoce como
teorema del lmite central.
2.1.1 Teorema
central

del

lmite

Si
es la media de una muestra
aleatoria de tamao n, tomada de una
poblacin con media y varianza
2

finita , entonces la forma lmite de la

distribucin de:

A medida que n tiende a , es la

distribucin normal estndar n (z; 0, 1).
La aproximacin normal para
por lo
general ser buena si n 30, siempre y
cuando la distribucin de la poblacin
no sea muy asimtrica. Si n < 30, la
aproximacin ser buena solo si la
poblacin no es muy diferente de una
distribucin normal y, como antes se
estableci, si se sabe que la poblacin
es normal, la distribucin muestral de

seguir siendo una distribucin normal

exacta, sin importar que tan pequeo
sea el tamao de las muestras.
El tamao de la muestra n = 30 es un
lineamiento para el teorema del lmite
central. Sin embargo, como indica el
planteamiento
del
teorema,
la
suposicin de normalidad en la
distribucin de
se vuelve ms
precisa a medida que n se hace ms
grande. De hecho, la figura 1.1 ilustra
cmo funciona el teorema. La figura
indica como la distribucin de
se
acerca ms a la normalidad a medida
que aumenta n, empezando con la
distribucin claramente asimtrica de
una observacin individual (n = 1).
Tambin ilustra que la media de
sigue siendo para cualquier tamao
de la muestra y que la varianza de se
vuelve ms pequea a medida que
aumenta n.

3. Distribucin muestral de la
diferencia entre dos medias
La ilustracin del estudio de caso
anterior se refiere a conceptos de
inferencia estadstica sobre una sola
media . Sabiendo que, quien la
invent estaba interesado en respaldar
una suposicin con respecto a una sola
media de poblacin. Una aplicacin
mucho ms importante incluye dos
poblaciones. Un cientfico o ingeniero
se podran interesar en un experimento
donde se comparan dos mtodos de
produccin: el 1 y el 2. La base para tal

las dos poblaciones nos aseguramos de

que las variables
1 y
2 sean
independientes y, usando el teorema,
con a1 = 1 y a2 = 1, concluimos que

se
distribuye
1
2
aproximadamente de forma normal
con media:

1 2) =

1 2 = 1 2.

Y varianza:

2(

1 2)

1+

2 2 =

De aqu se tiene:

comparacin es 1 2, la diferencia
entre las medias de poblacin.
Suponga que tenemos dos poblaciones,

la primera con media 1 y varianza 1,

y la segunda con media 2 y varianza

22. Representemos con el estadstico

la media de una muestra aleatoria
de tamao n1, seleccionada de la
primera poblacin, y con el estadstico
2 la media de una muestra aleatoria
de tamao n2 seleccionada de la
segunda poblacin, independiente de la
muestra de la primera poblacin. Qu
podramos decir acerca de la
distribucin muestral de la diferencia
1
2 para muestras repetidas de
tamaos n1 y n2? De acuerdo con el
teorema anterior, tanto la variable 1
como la variable 2 estn distribuidas
ms o menos de forma normal con
1

medias 1 y 2 y varianzas

respectivamente. Esta aproximacin

mejora a medida que aumentan n1 y n2.
Al elegir muestras independientes de

Es aproximadamente
normal estndar.

una

variable