UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERÍA MECÁNICA - ENERGÍA

DISTRIBUCIONES MUESTRALES
Prof. V.Contreras T.

Población

Población es el conjunto de personas u objetos que tienen una o más caracterı́sticas

medibles o contables de naturaleza cualitativa o cuantitativa.

Muestra

A un subconjunto de una población se llama MUESTRA.

Parámetros

Parámetro es una medida descriptiva que caracteriza a la distribución de la población.

Ejemplos de parámetros son:
Media: µ ; VARIANZA: σ 2 ; PROPORCIÓN: π ó p ; DESVIACIÓN ESTANDAR:
σ.

Muestra Aleatoria

Sea X una v.a. con cierta distribución de probabilidad y sean X1 , X2 , , ..., Xn n,

variables a leatorias que tiene cada una la misma distribución que X. Llamaremos
entonces a (X1 , X2 , , ..., Xn ) una muestra aleatoria de la v.a. X.

Estadı́stica ó Estadı́stico

Se denomina Estadı́stica a cualquier función de las variables aleatorias que consti-

tuyen la muestra. Es decir una estadistica es una v.a. Y = H(X1 , X2 , , ..., Xn )
cuyo valor es el número real y = H(x1 , x2 , , ..., xn )
Ejemplos
Si X1 , X2 , ..., Xn son v.a. de una población X entonces:
P P
La media muestral X = n1 ni=1 Xi con valor x̄ = n1 ni=1 xi
P
La varianzaPmuestral S 2 = n1 ni=1 (Xi − X)2 con valor
s2 = n1 ni=1 (xi − x̄)2
√
La desviación estandar muestral S = S 2
P
La proporción muestral Pb ó P = n1 ni=1 Xi donde cada variables aleatoria Xi
tiene distribución de bernoulli con parámetro P . Tambien , P = Xn donde
X ∼ B(n, p). El valor de Pb ó P calculado a partir de una muestra denota por
pb ó p

son estadisticas.

1
DISTRIBUCIÓN MUESTRAL
Se denomina distribución muestral de una estadı́stica a la distribución de probabil-
idad de esa variable aleatoria. Por ejemplo a la distribución de probabilidad de la
estadı́stica media X, se llama distribución muestral de la media.
DISTRIBUCIÓN DE LA MEDIA MUESTRAL
Sea X1 , X2 , , ..., Xn una muestra aleatoria de tamaño n de una población X con
media µ y con varianza σ 2 . Si X es la media muestral, entonces
σ2
a) E(X) = µ b) V (X) =
n
X −µ
c) Para n suficientemente grande, la variable aleatoria Z = √ tiene distribución
σ/ n
aproximadamente normal N (0, 1).
Observación

1. Para n suficientemente grande, la media muestral X tiene distribución aprox-

imadamente normal con media µ y varianza σ 2 /n (la aproximación es buena
si n ≥ 30, aun si la población es discreta o continua).
2. Si la muestra aleatoria es escogida de una población normal N (µ, σ 2 ) entonces
la distribución de X tiene distribución normal N (µ, σ 2 /n) cualquier tamaño
de muestra, n ≥ 2.
3. V (X) = σ 2 /n es válida, si el muestreo es con o sin reemplazo en una población
infinita, o con reemplazo en una población finita de tamaño N .
Si el muestreo es sin reemplazo en una población finita de tamaño N entonces
la varianza de la distribución de X es:
σ2 N − n
V (X) = ( )
n N −1
El coeficiente N −n
N −1
se llama factor de corrección para población finita. Observar
que cuando N → ∞ el factor de corrección tiende a uno.
Distribución muestral de la proporción
Sea X1 , X2 , , ..., Xn una muestra aleatoria de tamaño n escogido de la población
de Bernoulli B(1, p), donde p es el porcentaje de exitos en la población y sea
X
P =
n
La proporción de éxitos en la muestra, donde X = X1 + X2 + ... + Xn ∼ B(n, p).
Entonces, si n es grande, la variable aleatoria estandarizadora de P tiene distribución
aproximadamente normal de media p y varianzap(1 − p)/n, esto es,
P −p
Z=q ∼ N (0, 1)
p(1−p )
n

NOTAS

2
 1. Dado que, Z = √X−n p = q P −p
p (1−p )
, entonces las aplicaciones de aproxima-
n p(1−p)
n
ciones de la binomial a la normal son las mismas de la proporción de éxitos de
la muestra.
q
2. El error estandar de P es σP = p(1−p)n

3. Si la población es finita de tamaño N y el muestreo es sin reposición el error

estandar (desviación estandar de la hipergeométrica) es:
r r
p(1 − p) N − n
σP =
n N −1
observemos que si el tamaño N de la pobalción es grande con respecto a n, el
factor de corrección N −n
N −1
se aproxima a la unidad.

4. Aproximaciones satisfactorias se obtienen si se introduce el factor de corrección

por continuidad 21n . Luego,
1
c+ 2n
−p
p [P ≤ c ] ' P [Z ≤ ]
σP

Distribución muestral de la diferencia (o suma) de medias:

Población normal o no, muestras grandes, con varianzas conocidas Si X 1

, X 2 son las medias muestrales aleatorias independientes de tamaños n1 y
n2 tomados de poblaciones infinitas con medias µ1 y µ2 y varianzas: σ12 y
σ22 conocidas. Entonces para n1 y n2 tamaños de muestras grandes (≥ 30) se
cumple aproximadamente que X 1 ±X 2 es normal con media µ1 ±µ2 y varianza
σ12 σ2
n1
+ n22 esto es:

(X 1 ± X 2 ) − (µ1 ± µ2 )
Z= q 2 ∼ N (0, 1)
σ1 σ22
n1
+ n2

Si las poblaciones fuesen finitas de tamaños N1 y N2 respectivamente, se tiene:

(X 1 ± X 2 ) − (µ1 ± µ2 )
Z=q 2 ∼ N (0, 1)
σ1 N1 −n1 σ22 N2 −n2
n1
( N1 −1 ) + n2 ( N2 −1 )

Población normal, muestras pequeñas y varianza poblacional desconocida

Si X , Y son las medias muestrales aleatorias independientes de tamaños n1 y
n2 (ambas pequeñas n1 ≤ 30 , n2 ≤ 30) tomados de dos poblaciones normales
con medias µx y µy y varianzas poblaciones desconocidas.

(X ± Y ) − (µx ± µy )
t= q
b 2 +(n2 −1)S
(n1 −1)S b2
x
n1 +n2 −2
y
( n11 + 1
n2
)

3
 es el valor de una variable aleatoria cuya distribución es la t-student con r =
n1 + n2 − 2 grados de libertad, donde
n n
1 X 1
1 X 2

Sb 2x = (xi − X)2 , Sb 2y = (yi − Y )2

n1 − 1 i=1 n2 − 1 i=1

son varianzas para muestras pequeñas.

Distribución de la varianza muestral

Si Sb 2 es la varianza de una muestra aleatoria de tamaño n (n pequeña) tomada de

una población normal con varianzas σ 2 entonces

(n − 1) Sb 2
χ2 =
σ2
es el valor de una variable aleatoria que tiene la distribución Chi-cuadrada con
ν = n − 1 grados de libertad.
Nota

1. Si n es grande, la distribución muestral de S se aproxima a la normal con

2
media σ y varianza 2σn entonces

S−σ
Z= √ ∼ N (0, 1)
σ/ 2 n
P
2. Como S 2 = n1 ni=1 (xi − X)2 , Sb 2 = n
n−1
S2 y cuando n → ∞ , Sb 2 = S 2
n
pues n−1 →1