UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERIA MECANICA

- ENERGIA
DISTRIBUCIONES MUESTRALES
Prof. V.Contreras T.
Poblaci
on
Poblacion es el conjunto de personas u objetos que tienen una o mas caractersticas
medibles o contables de naturaleza cualitativa o cuantitativa.
Muestra
A un subconjunto de una poblacion se llama MUESTRA.
Par
ametros
Parametro es una medida descriptiva que caracteriza a la distribucion de la poblacion.
Ejemplos de parametros son:
o p ; DESVIACION
ESTANDAR:
Media: ; VARIANZA: 2 ; PROPORCION:
.
Muestra Aleatoria
Sea X una v.a. con cierta distribucion de probabilidad y sean X1 , X2 , , ..., Xn n,
variables a leatorias que tiene cada una la misma distribucion que X. Llamaremos
entonces a (X1 , X2 , , ..., Xn ) una muestra aleatoria de la v.a. X.
Estadstica
o Estadstico
Se denomina Estadstica a cualquier funcion de las variables aleatorias que constituyen la muestra. Es decir una estadistica es una v.a. Y = H(X1 , X2 , , ..., Xn )
cuyo valor es el n
umero real y = H(x1 , x2 , , ..., xn )
Ejemplos
Si X1 , X2 , ..., Xn son v.a. de una poblacion X entonces:
P
P
La media muestral X = n1 ni=1 Xi con valor x = n1 ni=1 xi
P
La varianzaPmuestral S 2 = n1 ni=1 (Xi X)2 con valor
s2 = n1 ni=1 (xi x)2

La desviaci
on estandar muestral S = S 2
P
La proporci
on muestral Pb o P = n1 ni=1 Xi donde cada variables aleatoria Xi
tiene distribucion de bernoulli con parametro P . Tambien , P = Xn donde
X B(n, p). El valor de Pb o P calculado a partir de una muestra denota por
pb o p
son estadisticas.

 MUESTRAL
DISTRIBUCION
Se denomina distribucion muestral de una estadstica a la distribucion de probabilidad de esa variable aleatoria. Por ejemplo a la distribucion de probabilidad de la
estadstica media X, se llama distribucion muestral de la media.
DE LA MEDIA MUESTRAL
DISTRIBUCION
Sea X1 , X2 , , ..., Xn una muestra aleatoria de tama
no n de una poblacion X con
2
media y con varianza . Si X es la media muestral, entonces
2
a) E(X) =
b) V (X) =
n
X
tiene distribucion
c) Para n suficientemente grande, la variable aleatoria Z =
/ n
aproximadamente normal N (0, 1).
Observaci
on
1. Para n suficientemente grande, la media muestral X tiene distribucion aproximadamente normal con media y varianza 2 /n (la aproximacion es buena
si n 30, aun si la poblacion es discreta o continua).
2. Si la muestra aleatoria es escogida de una poblacion normal N (, 2 ) entonces
no
la distribucion de X tiene distribucion normal N (, 2 /n) cualquier tama
de muestra, n 2.
3. V (X) = 2 /n es valida, si el muestreo es con o sin reemplazo en una poblacion
infinita, o con reemplazo en una poblacion finita de tama
no N .
Si el muestreo es sin reemplazo en una poblacion finita de tama
no N entonces
la varianza de la distribucion de X es:
V (X) =

2 N n
(
)
n N 1

n
El coeficiente N
se llama factor de correccion para poblacion finita. Observar
N 1
que cuando N el factor de correccion tiende a uno.

Distribuci
on muestral de la proporci
on
Sea X1 , X2 , , ..., Xn una muestra aleatoria de tama
no n escogido de la poblacion
de Bernoulli B(1, p), donde p es el porcentaje de exitos en la poblacion y sea
P =

X
n

La proporcion de exitos en la muestra, donde X = X1 + X2 + ... + Xn B(n, p).

Entonces, si n es grande, la variable aleatoria estandarizadora de P tiene distribucion
aproximadamente normal de media p y varianzap(1 p)/n, esto es,
P p
N (0, 1)
Z=q
p(1p )
n

NOTAS
2

1. Dado que, Z = Xn p

n p(1p)

q P p

p (1p )
n

, entonces las aplicaciones de aproxima-

ciones de la binomial a la normal son las mismas de la proporcion de exitos de

la muestra.
q
2. El error estandar de P es P = p(1p)
n
3. Si la poblacion es finita de tama
no N y el muestreo es sin reposicion el error
estandar (desviacion estandar de la hipergeometrica) es:
r
r
p(1 p) N n
P =
n
N 1
observemos que si el tama
no N de la pobalcion es grande con respecto a n, el
n
factor de correccion N
se
aproxima a la unidad.
N 1
4. Aproximaciones satisfactorias se obtienen si se introduce el factor de correccion
por continuidad 21n . Luego,
p [P c ] ' P [Z

c+

1
2n

Distribuci
on muestral de la diferencia (o suma) de medias:
Poblaci
on normal o no, muestras grandes, con varianzas conocidas Si X 1
, X 2 son las medias muestrales aleatorias independientes de tama
nos n1 y
n2 tomados de poblaciones infinitas con medias 1 y 2 y varianzas: 12 y
22 conocidas. Entonces para n1 y n2 tama
nos de muestras grandes ( 30) se
cumple aproximadamente que X 1 X 2 es normal con media 1 2 y varianza
2
12
+ n22 esto es:
n1
Z=

(X 1 X 2 ) (1 2 )
q 2
N (0, 1)
1
22
+ n2
n1

Si las poblaciones fuesen finitas de tama

nos N1 y N2 respectivamente, se tiene:
(X 1 X 2 ) (1 2 )
N (0, 1)
Z=q 2
22 N2 n2
1 N1 n1
( N1 1 ) + n2 ( N2 1 )
n1
Poblaci
on normal, muestras peque
nas y varianza poblacional desconocida
Si X , Y son las medias muestrales aleatorias independientes de tama
nos n1 y
n2 (ambas peque
nas n1 30 , n2 30) tomados de dos poblaciones normales
con medias x y y y varianzas poblaciones desconocidas.
t= q

(X Y ) (x y )
b 2 +(n2 1)S
b2
(n1 1)S
x
y
( n11
n1 +n2 2

1
)
n2

es el valor de una variable aleatoria cuya distribucion es la t-student con r =

n1 + n2 2 grados de libertad, donde
n

Sb 2x =

1
2
1 X
1 X
(xi X)2 , Sb 2y =
(yi Y )2
n1 1 i=1
n2 1 i=1

son varianzas para muestras peque

nas.
Distribuci
on de la varianza muestral
Si Sb 2 es la varianza de una muestra aleatoria de tama
no n (n peque
na) tomada de
2
una poblacion normal con varianzas entonces
2 =

(n 1) Sb 2
2

es el valor de una variable aleatoria que tiene la distribucion Chi-cuadrada con

= n 1 grados de libertad.
Nota
1. Si n es grande, la distribucion muestral de S se aproxima a la normal con
2
media y varianza 2n entonces
Z=
P
2. Como S 2 = n1 ni=1 (xi X)2 ,
n
pues n1
1

N (0, 1)
/ 2 n
Sb 2 =

n
S2
n1

y cuando n , Sb 2 = S 2