UNIVERSIDAD AUTNOMA DE CIUDAD JUREZ

INSTITUTO DE INGENIERA Y TECNOLOGA

CURSO PROPEDUTICO DE ESTADSTICA

CATEDRTICO: ERWIN ADN MARTNEZ GMEZ

ALUMNA: CARMEN GUADALUPE ARGUELLES ARGUELLES

TAREA: UNIDAD III INVESTIGACIN

FECHA: JUEVES 12 DE OCTUBRE DE 2017

NDICE

INTRODUCCIN ---------------------------------------------------------------------------- 3

DISTRIBUCIONES DE MUESTREO DE MEDIA MUESTRAL ---------------- 4-5

TEOREMA DEL LMITE CENTRAL -------------------------------------------------- 6-7

LA DISTRIBUCIN T DE STUDENT ------------------------------------------------ 8-9

LA DISTRIBUCIN JI-CUADRADA ----------------------------------------------- 10-11

DISTRIBUCIN F FISHER -------------------------------------------------------- 12-13

ESTADSTICAS DE ORDEN ------------------------------------------------------------ 14

CONCLUSIONES -------------------------------------------------------------------------- 15

REFERENCIAS BIBLIOGRFICAS --------------------------------------------------- 16

2
INDTRODUCCIN

La estadstica se ocupa principalmente de las conclusiones y las

predicciones provenientes de los resultados fortuitos que ocurren en
experimentos o investigaciones cuidadosamente planeadas. En el caso finito,
estos resultados fortuitos constituyen un subconjunto, o muestra, de las
mediciones u observaciones de un conjunto mayor de valores llamado
poblacin. En el caso continuo generalmente son valores de variables
aleatorias distribuidas en forma idntica, a cuya distribucin nos referimos
como distribucin de poblacin o poblacin infinita muestreada. La palabra
infinita implica que, hablando en forma lgica, no hay lmite al nmero de
valores que podran observarse.

Las distribuciones de muestreo constituyen una pieza importante de estudio

por varias razones. En la mayora de los casos, la viabilidad de un
experimento dicta el tamao de la muestra. La distribucin de muestreo es la
distribucin de probabilidad de una muestra de una poblacin en lugar de
toda la poblacin.

En la presente investigacin, se desarrollarn los temas principales que

abarcan las Distribuciones de Muestreo, as como ejemplos y conceptos
bsicos de stos.

3
DISTRIBUCIONES DE MUESTREO DE MEDIA MUESTRAL

Las inferencias estadsticas suelen basarse en las estadsticas, esto es, en

variables aleatorias que son funciones de un conjunto de variables aleatorias
X , X 2, . . . , X, que constituyen una muestra aleatoria. Ejemplos de lo que
significa 'estadsticas" son la media de la muestra y la varianza de la
muestra.

Suponga que se han seleccionado muestras aleatorias de tamao 20 en una

poblacin grande. Se calcula la media muestral x para cada muestra; la
coleccin de todas estas medias muestrales recibe el nombre de distribucin
muestral de medias, lo que se puede ilustrar en la siguiente figura:

Ejemplo: Las estaturas de 1000 estudiantes estn distribuidas

aproximadamente en forma normal con una media de 174.5 centmetros y
una desviacin estndar de 6.9 centmetros. Si se extraen 200 muestras

4
aleatorias de tamao 25 sin reemplazo de esta poblacin, determine: a) El
nmero de medias muestrales que caen por debajo de 172 centmetros.

Solucin: Como n/N=200/1000=0.2, se puede observar en este ejercicio se

cuenta con una poblacin finita y un muestreo sin reemplazo, por lo que se
tendr que agregar el factor de correccin. Se proceder a calcular el
denominador de Z.

5
TEOREMA DEL LMITE CENTRAL

El teorema del lmite central, es uno de los teoremas ms importantes de la

estadstica, que tiene que ver con la distribucin lmite de la media
estandarizada de n variables aleatorias cuando n * .

Algunas veces, el teorema del lmite central se interpreta incorrectamente

como si implicara que la distribucin de X se aproxima a una distribucin
normal cuando n -> o c . Esto es incorrecto porque v a r( X ) 0 cuando n
; por otra parte, el teorema del lmite central justifica la aproximacin
de la distribucin de X con una distribucin normal que tenga una media i y
la varianza cuando n es grande. En la prctica, esta aproximacin se usa
cuando n 30 sin importar la forma real de la poblacin muestreada. Para
valores menores de n la aproximacin es dudosa.

El Teorema del Lmite Central tambin nos indica que cuando se extraen
muestras de tamao mayor a 30 o bien de cualquier tamao pero
provenientes de una poblacin normal, la distribucin muestral de medias
tiene un comportamiento aproximadamente normal, por lo que se puede
utilizar la frmula de la distribucin normal con

Ejemplo: La renta media de los habitantes de un pas se distribuye

uniformemente entre 4,0 millones ptas. y 10,0 millones ptas. Calcular la
probabilidad de que al seleccionar al azar a 100 personas la suma de sus
rentas supere los 725 millones ptas.

6
Solucin: Cada renta personal es una variable independiente que se
distribuye segn una funcin uniforme. Por ello, a la suma de las rentas de
100 personas se le puede aplicar el Teorema del Lmite Central.

La media y varianza de cada variable individual es:

m = (4 + 10 ) / 2 = 7

s 2 = (10 - 4)^2 / 12 = 3

Por tanto, la suma de las 100 variables se distribuye segn una normal
cuya media y varianza son:

Media: n * m = 100 * 7 = 700

Varianza: n * s2 = 100 * 3 = 300

Para calcular la probabilidad de que la suma de las rentas sea superior a 725
millones ptas, comenzamos por calcular el valor equivalente de la variable
normal tipificada:

Luego:

P (X > 725) = P (Y > 1,44) = 1 - P (Y < 1,44) = 1 - 0,9251 = 0,0749

Es decir, la probabilidad de que la suma de las rentas de 100 personas

seleccionadas al azar supere los 725 millones de pesetas es tan slo del
7,49%

7
LA DISTRIBUCIN T DE STUDENT

Supongamos que se toma una muestra de una poblacin normal con

media y varianza . Si es el promedio de las n observaciones que

contiene la muestra aleatoria, entonces la distribucin es una

distribucin normal estndar. Supongamos que la varianza de la

poblacin 2 es desconocida. Qu sucede con la distribucin de esta

estadstica si se reemplaza por s? La distribucin t proporciona la

respuesta a esta pregunta.

La media y la varianza de la distribucin t son =0 y para >2,

respectivamente.

La siguiente figura presenta la grfica de varias distribuciones t. La

apariencia general de la distribucin t es similar a la de la distribucin normal
estndar: ambas son simtricas y unimodales, y el valor mximo de la
ordenada se alcanza en la media = 0. Sin embargo, la distribucin t tiene
colas ms amplias que la normal; esto es, la probabilidad de las colas es
mayor que en la distribucin normal. A medida que el nmero de grados de
libertad tiende a infinito, la forma lmite de la distribucin t es la distribucin
normal estndar.

8
La distribucin t tiene algunas propiedades matemticas importantes:

- Cada curva t tiene forma de campana con centro en 0.

- Cada curva t, est ms dispersa que la curva normal estndar z.

- A medida que aumenta, la dispersin de la curva t correspondiente

disminuye.

- A medida que , la secuencia de curvas t se aproxima a la

curva normal estndar, por lo que la curva z recibe a veces el nombre
de curva t con gl = .

Ejemplo: Encuentre la probabilidad de t0.025 < t < t0.05.

Solucin:

Como t0.05 deja un rea de 0.05 a la derecha, y t0.025 deja un rea de 0.025 a
la izquierda, encontramos un rea total de 1-0.05-0.025 = 0.925.

P( t0.025 < t < t0.05) = 0.925

9
LA DISTRIBUCIN JI-CUADRADA

Se sabe que si X tiene la distribucin normal estndar, entonces X tiene la

distribucin gamma especial, a la cual le referimos como distribucin Ji-
cuadrada, y esto explica el papel importante que la distribucin ji-cuadrada
tiene en problemas de muestreo de poblaciones normales. La distribucin ji-
cuadrada a menudo se denota como distribucin X donde x es la letra
minscula griega ji.

La distribucin ji-cuadrada tiene varias propiedades matemticas

importantes:

- Si X tiene la distribucin normal estndar, entonces X tiene la

distribucin ji-cuadrada con v = 1 grados de libertad.
- Si X1, y X2 son variables aleatorias independientes, X1, tiene la
distribucin ji-cuadrada con v1 grados de libertad, y X1 + X2 tiene la
distribucin ji-cuadrada con v > v1 grados de libertad, entonces X2
tiene la distribucin ji-cuadrada con v v1 grados de libertad.
- Los valores de X2 son mayores o iguales que 0.
- La forma de una distribucin X2 depende del gl=n-1. En consecuencia,
hay un nmero infinito de distribuciones X2.
- El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
- Las distribuciones X2 no son simtricas. Tienen colas estrechas que
se extienden a la derecha; esto es, estn sesgadas a la derecha.
- Cuando n>2, la media de una distribucin X2 es n-1 y la varianza es
2(n-1).
- El valor modal de una distribucin X2 se da en el valor (n-3).

10
Ejemplo: Suponga que los tiempos requeridos por un cierto autobs
para alcanzar un de sus destinos en una ciudad grande forman una
distribucin normal con una desviacin estndar =1 minuto. Si se
elige al azar una muestra de 17 tiempos, encuentre la probabilidad de
que la varianza muestral sea mayor que 2.

Solucin: Primero se encontrar el valor de ji-cuadrada

correspondiente a s2=2 como sigue:

El valor de 32 se busca adentro de la tabla en el rengln de 16 grados

de libertad y se encuentra que a este valor le corresponde un rea a la
derecha de 0.01. En consecuencia, el valor de la probabilidad es
P(s2>2)

11
DISTRIBUCIN F FISHER

La variable aleatoria F se define como el cociente de dos variables aleatorias

ji-cuadrada independientes, cada una dividida entre sus respectivos grados
de libertad. Esto es,

donde U y V son variables aleatorias ji-cuadrada independientes con grados

de libertad 1 y 2 respectivamente.

Sean U y V dos variables aleatorias independientes que tienen distribucin ji

cuadradas con 1 y 2 grados de libertad, respectivamente. Entonces la

distribucin de la variable aleatoria est dada por:

y se dice que sigue la distribucin F con 1 grados de libertad en

el numerador y 2 grados de libertad en el denominador.

La media y la varianza de la distribucin F son:

12
 para

para

La variable aleatoria F es no negativa, y la distribucin tiene un sesgo hacia

la derecha. La distribucin F tiene una apariencia muy similar a la distribucin
ji-cuadrada; sin embargo, se encuentra centrada respecto a 1, y los dos

parmetros 1 y 2 proporcionan una flexibilidad adicional con respecto a

la forma de la distribucin.

Si s12 y s22 son las varianzas muestrales independientes de tamao n 1 y

n2 tomadas de poblaciones normales con varianzas 2 y 2

1 2 ,

respectivamente, entonces:

Ejemplo: Encontrar el valor de F, en el siguiente caso: El rea a la derecha

de F, es de 0.25 con 1 =4 y 2 =9.

Solucin: Como el rea que da la tabla es de cero a Fisher, se tiene que

localizar primero los grados de libertad dos que son 9, luego un rea de 0.75
con 4 grados de libertad uno.

13
ESTADSTICAS DE ORDEN

Se pretende generar una muestra ordenada de una variable aleatoria.

Si se tiene ya una muestra uniforme ordenada u(1), ..., u(n), entonces

aplicando transformaciones inversas se obtiene una muestra ordenada de la
variable original, pues la funcin de distribucin es creciente. En
consecuencia, basta generar muestras uniformes ordenadas.

Sea

Luego . Los n-1 valores restantes se distribuyen uniformemente

en [0,u(n)]. Ahora repetimos el mismo procedimiento pero con n-1 variables en
lugar de n.

Luego

En general,

14
CONCLUSIONES

Las propiedades de la distribucin de muestreo pueden variar dependiendo

de cun pequea sea la muestra en comparacin con la poblacin. Se
supone que la poblacin se distribuye normalmente como generalmente
sucede. Si el tamao de la muestra es lo suficientemente grande, la
distribucin de muestreo tambin estar cerca de lo normal.

Las distribuciones ji-cuadrada (X), t y F, que estn relacionadas con la

normal, son muy tiles cuando se desean analizar la relacin que existe
entre la varianza de una muestra y la varianza de la poblacin de la cual fue
extrada, cuando se desconoce la desviacin estndar de la poblacin, o bien
cuando se desea analizar la relacin de la varianza entre dos muestras que
pueden o no haber sido extradas de la misma poblacin. El teorema central
de lmite es til para entender que la distribucin de las medias de muestras
tomadas de una misma poblacin y del mismo tamao, es aproximadamente
normal y que esta aproximacin mejora a medida que se incrementa el
tamao de la muestra; dando pie al estudio de la distribucin muestral para la
media y para la proporcin y a la elaboracin de intervalos de confianza.

15
BIBLIOGRAFA

16
- http://www.hrc.es/bioest/esti_medias.html
- Estadstica matemtica con aplicaciones. J. Fred y R. Walpole,
Prentice Hall
- https://explorable.com/es/distribucion-de-muestreo?gid=1694
- http://www.geociencias.unam.mx/~ramon/EstInf/Clase4.pdf
- http://www.aulafacil.com/
- http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/cap03
c.html

17