SESIÓN 2

Estadística Inferencial
 SUMARIO

1. Concepto de distribución muestral.

2. Teorema del límites central.
3. Distribución muestral de la media con varianza conocida.
4. Distribución muestral de la media con varianza desconocida.
 LOGRO

Conocer los conceptos y cálculos referidos al teorema del límite

central, distribución muestral de la media con varianza conocida y
desconocida.
 1. DISTRIBUCIÓN MUESTRAL
 La teoría del muestreo estudia las relaciones entre una población y las muestras extraídas de
la misma.

 Permite estimar cantidades desconocidas de la población como la media poblacional, la

varianza, etc., frecuentemente llamadas parámetros poblacionales a partir de las
correspondientes cantidades muestrales como son la media, la varianza, y otros estadísticos
muéstrales o brevemente llamados estadísticos.

 La teoría de muestreo es útil para determinar por ejemplo: el aplicar un nuevo suero para el
tratamiento de una enfermedad, o decidir si un proceso de producción es mejor que otro.
estas decisiones envuelven a los llamados ensayos e hipótesis de significación.

 En general, a todo lo mencionado anteriormente se le conoce como inferencia estadística.

 1. DISTRIBUCIÓN MUESTRAL
DISTRIBUCIONES MUESTRALES Población
Consideremos todas las muestras de tamaño n que
pueden extraerse de una población . (con o sin Muestra
reemplazo).
Si obtenemos estadísticos , tales como la media, la  X
desviación típica, etc., que varían de una muestra a otra. MUESTREO
formaremos una distribución del estadístico deseado, lo 2 S2
que se conoce como distribución muestral. p
Si el estadístico es la media muestral, la distribución se
conoce como distribución muestral de medias o

n
distribución muestral de la media. Análogamente se
obtendrán las distribuciones muéstrales de las
desviaciones típicas, varianzas, medianas, proporciones, N
etc.
 1. DISTRIBUCIÓN MUESTRAL
SUPÓNGASE QUE SON EXTRAÍDAS DE UNA POBLACIÓN FINITA TODAS LAS POSIBLES
MUESTRAS SIN REMPLAZO DE TAMAÑO n, SIENDO EL TAMAÑO DE LA POBLACIÓN N > n. SI SE
DENOTA LA MEDIA Y LA DESVIACIÓN TÍPICA DE LA DISTRIBUCIÓN MUESTRAL DE MEDIAS POR
Y LA MEDIA Y LA DESVIACIÓN TÍPICA DE LA POBLACIÓN POR µ y  , RESPECTIVAMENTE, SE
TIENE:

 N n
 X
 y  X

n N 1

SI LA POBLACIÓN ES INFINITA O SI EL MUESTREO ES CON REMPLAZO, LOS RESULTADOS

ANTERIORES SE CONVIERTEN EN :


 X  y  X

n
 1. DISTRIBUCIÓN MUESTRAL

 PARA VALORES GRANDES DE n (n ≥ 30) LA DISTRIBUCIÓN MUESTRAL DE MEDIAS SE

APROXIMA A UNA DISTRIBUCIÓN NORMAL CON MEDIA Y DESVIACIÓN TÍPICA
INDEPENDIENTE DE LA POBLACIÓN DE QUE SE TRATE.

 ESTE RESULTADO EN UNA POBLACIÓN INFINITA ES UN CASO ESPECIAL DEL TEOREMA

CENTRAL DEL LÍMITE. EL CUAL DEMUESTRA QUE LA PRECISION DE LA APROXIMACION SE
INCREMENTA CONFORME n SE HACE MAS GRANDE.

 EN CASO DE QUE LA POBLACIÓN SE DISTRIBUYA NORMALMENTE, LA DISTRIBUCIÓN

MUESTRAL DE MEDIAS SE DISTRIBUYE TAMBIÉN NORMALMENTE, INCLUSO PARA
PEQUEÑOS VALORES DE n (n < 30).
 1. DISTRIBUCIÓN MUESTRAL
PROBLEMA 1:
Se tiene una población formada por cinco números: 2, 3, 6, 8 y 11. Se desea obtener
todos las posibles muestras tamaño 2, con reemplazo partir de esta población.
Calcule:
a. La media de la población
b. La desviación estándar de la población
c. La media de la distribución muestral de medias
 1. DISTRIBUCIÓN MUESTRAL
SOLUCIÓN:

La media de la población (µ)

Población: 2, 3, 6, 8, 11

La desviación estándar de la población (σ)

𝟐
𝒙𝒊 − 𝝁 𝟐−𝟔 𝟐 + 𝟑−𝟔 𝟐 + 𝟔−𝟔 𝟐 + 𝟖−𝟔 𝟐 + 𝟏𝟏 − 𝟔 𝟐
𝝈𝟐 = =
𝑵 𝟓
 2. DISTRIBUCIÓN MUESTRAL
La media de la distribución muestral de medias
Existen 5 x 5 = 25 muestras tamaño 2 que pueden obtenerse con reemplazamiento. Estas muestras son:
2-2 2-3 2-6 2-8 2-11
3-2 3-3 3-6 3-8 3-11
6-2 6-3 6-6 6-8 6-11
8-2 8-3 8-6 8-8 8-11
11-2 11-3 11-6 11-8 11-11
Las medias muéstrales correspondientes son: (DISTRIBUCIÓN MUESTRAL DE MEDIAS)
Ʃ
2,O 2,5 4,0 5,0 6,5 20,00

2,5 3,0 4,5 5,5 7,0 22,50

4,0 4,5 6,0 7,0 8,5 30,00

5,0 5,5 7,0 8,0 9,5 35,00

6,5 7,0 8,5 9,5 11,0 42,50

n = 25 TOTAL 150
 2. DISTRIBUCIÓN MUESTRAL
La media de la distribución muestral de medias es:

x i
150
X  1
  6.0
n 25

Del resultado obtenido podemos observar:

  6.0  X  6.0     X
 2. TEOREMA DEL LÍMITE CENTRAL
Si se toman sucesivas muestras (k) de tamaño n de una población que puede o no
ser normal, la distribución de probabilidad de esas muestras, conforme n se vuelve
grande, se aproxima a una distribución normal con:

x  x  
x x 

 n
x
Z 
x   x
2. TEOREMA DEL LÍMITE CENTRAL
N
n1 x1 x 2 x 3 x 4 ........ xk
n2
x
 x
k :# de muestras
n3
k
x  x
2

n4

x 
2

nm
k
 2. TEOREMA DEL LÍMITE CENTRAL

PROBLEMA 2:

El valor nominal de la resistencia de una lámina de un metal

compuesto es de 8500 psi. Por estudios pasados se conoce que
la desviación estándar de esta resistencia es 1950 psi. Se tiene
una muestra de 100 láminas. ¿Cuál es la probabilidad de que la
media de esa muestra:
a.Sea mayor a 8900 psi?
b.Sea menor a 8000 psi?
c.Esté entre 8200 y 8700 psi?
d.¿Que valor de la media tiene una probabilidad de ocurrencia
menor a 16.35%?
 2. TEOREMA DEL LÍMITE CENTRAL
SOLUCIÓN:

DATOS DEL PROBLEMA:

=8500 =1950 n=100

a. Media mayor que 8900

P( x  8900)  1  P( x  8900)
 8900  8500 
P( x  8900)  1  P  Z    1  P(Z  2.05)
 1950 / 100 
P( x  8900)  1  0.9798  0.0202
 2. TEOREMA DEL LÍMITE CENTRAL
b. Media menor que 8000

 8000  8500 
P( x  8000)  P  Z    P(Z  2.56)  0.0053
 1950 / 100 

c. Media entre 8200 y 8700

 8700  8500   8200  8500 

P(8200  x  8700)  P  Z   PZ  
 1950 / 100   1950 / 100 
P(8200  x  8700)  P( Z  1.03)  P( Z  1.54)  0.8485  0.0618  0.7867
 2. TEOREMA DEL LÍMITE CENTRAL
d. Valor de la media:

P ( x  xi )  0.16  xi  ?
P ( x  xi )  0.16 Z 0.1635  0.98
xi  8500
0.98 
1950 / 100
xi  195* ( 0.98)  8500  8308.9
3. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
CONOCIDA
Sea (x1 , x2 , . . . . . , xn ) una muestra aleatoria de tamaño n, procedente de una población N μ,σ ; Entonces la
distribución de la media muestral tendrá una distribución normal

Si X  N   ,  

X  N ,  

 n 
Si X  ¿   , 
T . L .C .  Si n  30 

X  N ,  

 n 
X-
 Z 
  N  0,1
n

Emplearemos Z cuando:
a. n>30 y σ2 conocida
b. n<30 y σ2 conocida.
3. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
CONOCIDA
PROBLEMA 3:
Considere una población cuyo comportamiento está caracterizado por una variable aleatoria con distribución normal,
según la expresión N(u, σ2 ) = N(50,100). Si de tal población se toma una muestra de tamaño n=25. Calcular:
a. La probabilidad de que < 60.
b. P(48 < < 51)
3. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
CONOCIDA
 10 
X  N  50,  x  
 5

50 60 X

P( x  60) Z  N(0,1)

 60  50  0 5 Z
P( X  60)  P Z    P( Z  5)
 2 
3. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
CONOCIDA
PROBLEMA 4:
Supóngase que el tiempo que un artículo permanece en stock es una variable aleatoria con distribución uniforme en
el intervalo (1,7). De una producción de 100 de estos artículos, calcular la probabilidad de que el tiempo medio de
permanencia en stock de los mismos sea mayor que 4.5
3. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
CONOCIDA
SOLUCIÓN:

Del enunciado del problema, sabemos que: X ~ U(1,7)

LUEGO TENEMOS :
 1 1
  si x  1, 7 
f ( x)  ba 6

  0 en otro caso
 b-a 
2
ab
E ( x)  VAR(x) 
2 12
8 36
E ( x)   4 VAR(x)  3
2 12
 3 
X  N  4, 

 100 

 4.5  4 
P ( X  4.5)  P  Z    P ( Z  2.88)
 0.173 
 1  P ( Z  2.88)  1  0.99801  0.00199
4. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
DESCONOCIDA
a. Cuando n<30 y σ2 desconocida se empleara LA T DE STUDENT :

   X 
X  N  ,    N (0,1)
 n  
n
 si n  30, t n-1 CON n-1 "grados de libertad"
X 
LUEGO : T 
S
n

b. Cuando n > 30 y σ2 desconocida se empleara z debiéndose tener presente que se reemplazara la

s2 por la σ2.
4. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
DESCONOCIDA
T- STUDENT

CONDICIONES:
 SE UTILIZA EN MUESTRAS PEQUEÑAS DE 30 O MENOS
ELEMENTOS.
 LA DESVIACIÓN ESTÁNDAR DE LA POBLACIÓN NO SE
CONOCE.

CARACTERÍSTICAS:
 ES SIMETRICA .

 LA DISTRIBUCIÓN T-STUDENT ES MENOR EN LA MEDIA Y

MÁS ALTA
 EN LOS EXTREMOS QUE UNA DISTRIBUCIÓN NORMAL.

 TIENE MAYOR PARTE DE SU ÁREA EN LOS EXTREMOS

QUE LA DISTRIBUCIÓN NORMAL.
4. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
DESCONOCIDA
T- STUDENT

GRADOS DE LIBERTAD

Para un conjunto de datos de una muestra, con distribución t-Student los grados de libertad se calculan de la
siguiente manera:

G.L. o V = n – 1
Ejemplo:
Se tiene una muestra de 7 elementos con una media de 16.
Media= a+b+c+d+e+f+g =16
7
G.L.= n – 1 =7-1= 6
4. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
DESCONOCIDA
T- STUDENT

EMPLEO DE TABLAS

EMPLEANDO SUS TABLAS ENCUENTRE LOS VALORES DE t

n GL o V p t
6 0.8

9 0.0

16 0.975

25 0.950

41 0.9

27 0.850
4. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
DESCONOCIDA
PROBLEMA 5:
Una máquina produce piezas con un tamaño que se ajusta a una distribución normal cuyo valor medio es de 14 cm.
¿Cuál es la probabilidad de que la media de una muestra de tamaño 20 sea menor que 14.58 cm., sabiendo que la
varianza muestral ha sido de 9 cm2 ?
4. DISTRIBUCIÓN MUESTRAL DE MEDIAS CON VARIANZA
DESCONOCIDA
SOLUCIÓN:

  14cm, S2  9cm 2 , n  20
X  N 14, S2  P  x  14.58 
 S   3 
X  N  ,   N  14, 
 n   20 
Como 2 desconocida n  30
 
X  14.58  14
 t n 1   P  X  14.58   P t
 n 1   

S  3 
n  20 
P  t19  0.8646   0.80
 TRABAJO GRUPAL

SE FORMARÁN GRUPOS DE 4 ALUMNOS

ES FUNDAMENTAL QUE TODOS PARTICIPEN

EN LAS DELIBERACIONES, EXPONIENDO SUS
PUNTOS DEL VISTA. EVITANDO QUE ALGÚIEN
SE ADJUDIQUE UN PROTAGONISMO
DESMEDIDO, O TOME UNILATERALMENTE
DECISIONES QUE AFECTAN A TODOS.
 CASOS DE APLICACIÓN
PROBLEMA 1:

LA VARIABLE ALTURA DE LAS ALUMNAS QUE ESTUDIAN EN UNA ESCUELA DE IDIOMAS

SIGUE UNA DISTRIBUCIÓN NORMAL DE MEDIA 1,62 M Y LA DESVIACIÓN TÍPICA 0,12
M. ¿CUÁL ES LA PROBABILIDAD DE QUE LA MEDIA DE UNA MUESTRA ALEATORIA DE
100 ALUMNAS SEA MAYOR QUE 1.60 M?
 CASOS DE APLICACIÓN
SOLUCIÓN:
SEA X LA VARIABLE ALEATORIA QUE INDICA LA ALTURA DE LAS ALUMNAS

LUEGO TENEMOS QUE:

DATOS DEL PROBLEMA:

POBLACION
µ=1,62 M
σ= 0.12
MUESTRA
n= 100

LA MEDIA X TIENE:

LA PROBABILIDAD DE QUE LA MEDIA DE UNA MUESTRA ALEATORIA DE 100 ALUMNAS SEA MAYOR QUE
1.60 M ES DE 95.15%
 CASOS DE APLICACIÓN
PROBLEMA 2:

En un servicio de atención al cliente, el tiempo de espera

hasta recibir atención es una variable normal de media 10
minutos y desviación típica 2 minutos. Se toman muestras
aleatorias del tiempo de espera de los clientes que llegan
un día concreto. Se pide:
a) ¿Cuál es la probabilidad de que el tiempo medio de
espera de una muestra de 25 clientes no supere los 9
minutos?
b) ¿Cuál es la distribución de la media muestral, si se
toman muestras aleatorias de 64 clientes? Especificar
sus parámetros.
 CASOS DE APLICACIÓN
SOLUCIÓN:

a. Las muestras de tamaño n obtenidas en una población de media µ y desviación

típica σ, N( µ , σ), se distribuye según una normal N(µ , σ/√n).
En nuestro caso, para n = 25 y N(10, 2), las muestras se distribuyen según la
N(10, 2/5).
RPTA: 0.0062

b. De los datos podemos decir que , la distribución de medias muéstrales de

tamaño 64 se distribuye según la normal N(10, 2/√64). Luego N(10, 0.25). Esto
es, una normal de media 10 y desviación típica 0.25.
 CIERRE
¿QUÉ HEMOS APRENDIDO?

1. ¿Qué es la distribución muestral de medias?

2. ¿Cuándo se aplica el teorema del límite central?
3. ¿Cuándo se aplica la distribución Z?
4. ¿Cuándo se aplica la distribución T-Student?