Está en la página 1de 18

ESTADÍSTICA DESCRIPTIVA

Y PROBABILIDADES
Distribuciones Muestrales
Logro
Al finalizar la sesión, el alumno estima la media poblacional en
base a las medias muestrales y aplica el teorema del límite central.

Estadística I : Distribuciones Muestrales 2


Distribuciones Muestrales

Se sabe que una estadística es una función t(x1, ..., xn ) de los valores de
las observaciones de una muestra de tamaño n. Además, se sabe que en
una población de N elementos se puede obtener: Nn ó P(N, n) muestras
posibles de tamaño n.
En este sentido, la Distribución Muestral o de Muestreo es la que tiene
tantos valores diferentes como muestras posibles de tamaño n se pueden
obtener.
Para determinar la distribución muestral de un estadístico es necesario
conocer:
 La población y el parámetro,
 Todas la muestras posibles y
 Todos los datos posibles
Distribuciones Muestrales

Cuando la población es infinita, la distribución muestral se debe considerar


como una distribución muestral teórica, dado que no es posible conocer
todas las muestras posibles.
Cuando la población es finita y de un tamaño moderado, se puede
construir la distribución muestral y se debe considerar como una
distribución muestral experimental.
En este último caso, se puede obtener todas las muestras posibles de
tamaño n, calculando sus respectivos estadísticos, así como sus
probabilidades de ocurrencia.
Cuando estudiamos una distribución muestral es necesario conocer:
 Su forma funcional,
 Su valor esperado y
 Su varianza.
TEOREMA CENTRAL DEL LIMITE

Al aumentar el tamaño de la muestra (n>30), la distribución de los estadísticos


muestrales se aproxima a una distribución normal, sin importar la forma de la
distribución de la población de donde proviene la muestra.

ESTADÍSTICA MUESTRAL
Es una función t(x1, ..., xn ) de los valores observados de la muestra, como por
ejemplo:
Este es el que estamos
x
 xi analizando el día de hoy
n

s2 
 xi2  n ( x ) 2
n 1

p
 xi
siendo :
 1 caso favorable
xi  
n 0 caso contrario
EJEMPLO 1

Se tiene una población, cuyos elementos son:


{ 10, 11, 12, 13, 14, 15, 16, 17 } Sugerencia: 5 elementos

El objetivo es obtener una muestra de tamaño n =2. En ese sentido, se


tiene que:
N=8 Tamaño de la Población
n=2 Tamaño de muestra
 = 13,5 Media de la Población
2 = 5,25 Varianza de la Población

En este caso, como se desea extraer una muestra de tamaño n=2, es


posible obtener:
Nn  82  64 muestras posibles con reemplazo ó
N!
P(N,n)   56 muestras posibles sin reemplazo
(N  n)!
EJEMPLO 1

Si se usa un muestreo sin reemplazamiento, las 56 muestras posibles


serían tal como se detallan a continuación:
Media Media Media
Muestra Observaciones Muestra Observaciones Muestra Observaciones
Muestral Muestral Muestral
1 10 11 10.5 20 12 16 14.0 39 15 13 14.0
2 10 12 11.0 21 12 17 14.5 40 15 14 14.5
3 10 13 11.5 22 13 10 11.5 41 15 16 15.5
4 10 14 12.0 23 13 11 12.0 42 15 17 16.0
5 10 15 12.5 24 13 12 12.5 43 16 10 13.0
6 10 16 13.0 25 13 14 13.5 44 16 11 13.5
7 10 17 13.5 26 13 15 14.0 45 16 12 14.0
8 11 10 10.5 27 13 16 14.5 46 16 13 14.5
9 11 12 11.5 28 13 17 15.0 47 16 14 15.0
10 11 13 12.0 29 14 10 12.0 48 16 15 15.5
11 11 14 12.5 30 14 11 12.5 49 16 17 16.5
12 11 15 13.0 31 14 12 13.0 50 17 10 13.5
13 11 16 13.5 32 14 13 13.5 51 17 11 14.0
14 11 17 14.0 33 14 15 14.5 52 17 12 14.5
15 12 10 11.0 34 14 16 15.0 53 17 13 15.0
16 12 11 11.5 35 14 17 15.5 54 17 14 15.5
17 12 13 12.5 36 15 10 12.5 55 17 15 16.0
18 12 14 13.0 37 15 11 13.0 56 17 16 16.5
19 12 15 13.5 38 15 12 13.5
EJEMPLO 1

La distribución de los valores de la media muestral en las 56 muestras


posibles es la siguiente:

x Frecuencia P x
10.5 2 0.03571
11.0 2 0.03571
11.5 4 0.07143
12.0 4 0.07143
12.5 6 0.10714
13.0 6 0.10714
13.5 8 0.14286
14.0 6 0.10714
14.5 6 0.10714
15.0 4 0.07143
15.5 4 0.07143
16.0 2 0.03571
16.5 2 0.03571
Ejemplo 1

El valor esperado de la media muestral esta dado por:


 x =E( x )   x P( x )  13,5

La varianza de la media muestral esta dado por:

 =V( x )   x P( x )  E( x )  2,25


2 2
2
x

Sabiendo que los parámetros de la población son:


 = 13,5 y 2 = 5,25
La distribución de la media muestral estaría dada:
 2 N  n 
x ~ N  ; 
 n N  1 
 5,25 8  2 
x ~ N  13,5;
 2 8  1 
x ~ N(13,5; 2,25)
Distribución muestral de la media

Caso de varianza 2 conocida o n > 30


Si se tiene una población con varianza conocida 2, se puede afirmar que
la Distribución Muestral de la Media esta dada por:

 2 
x ~ N  ; 
 n 
2
E(x)   x   V(x)   
2
x
n
x   x  x
z  ~ N(0,1)
 x
n
Error Estándar de
la media muestral
Ejemplo 2

El gerente de créditos de un banco afirma que el número de días que


tardan los clientes para pagar sus prestamos se ajusta a una distribución
normal y en promedio tardan 5 días con desviación estándar de 2,15 días.
Si se escogen al azar las cuentas de 40 clientes:
a) ¿Cuál es la probabilidad de observar que, en promedio, se tardan en
pagar a lo más 6 días?
b) ¿Cuál será el número máximo de días que, en promedio, tardan en
pagar con probabilidad 0.90?

Solución

X : Número de días que tardan los clientes para pagar sus prestamos.
X  N( 5; 2,152 )  = 5  = 2,15

 2,152  
n  40 x ~ N  5;   x  5, x   0,340
 40  n
Ejemplo 2

a) ¿Cuál es la probabilidad de observar que, en promedio, se tardan en


pagar a lo más 6 días?

 x 65 
 
P x  6  P


0,340

 / n 

 
P x  6  P(Z  2,94)
DISTRIBUCIÓN NORMAL ESTÁNDAR ACUMULADA
Ejemplo 2

a) ¿Cuál es la probabilidad de observar que, en promedio, se tardan en


pagar a lo más 6 días?

 x 65 
 
P x  6  P


0,340

 / n 

 
P x  6  P(Z  2,94)

P  x  6   0,99836
Ejemplo 2

b) ¿Cuál será el número máximo de días que, en promedio, tardan en


pagar con probabilidad 0.90?

P(x  A)  0,90
 x A 5 
P    0,90
  / n 0,340 
 A 5 
P Z    0,90
 0,340 
DISTRIBUCIÓN NORMAL ESTÁNDAR ACUMULADA
Ejemplo 2

b) ¿Cuál será el número máximo de días que, en promedio, tardan en


pagar con probabilidad 0.90?

P(x  A)  0,90
 x A 5 
P    0,90
  / n 0,340 
 A 5 
P Z    0,90
 0,340 

A 5
 1,28
0,340
A  5,4352
¿Qué hemos aprendido?

1. ¿Qué tipos de muestreos se puede realizar?

2. ¿Qué entiendes por el teorema de límite central?

3. ¿Cuándo usas el teorema del límite central?

4. Los choferes de camiones de una empresa recorren en promedio


8,500 km. cada trimestre, con una desviación estándar de 1,950 Km.
Si se toma una muestra de 36 choferes, Cuál es la probabilidad de
que la media de la muestra sea mayor a 8,500 Km.

18

Estadística I : Distribuciones Muestrales viernes, 07 de abril de 2017