Distribuciones muestrales y error muestral

Universidad de Oriente
Núcleo Monagas
Escuela de Ciencias Sociales y Administrativas. (ECSA)
Asignatura: Estadística II
Unidad I
Distribuciones Muéstrales
Introducción
Las muestras aleatorias obtenidas de una población son, impredecibles. Por lo tanto dos
muestras aleatorias del mismo tamaño y tomadas de la misma población, no siempre,
pueden tener la misma media muestral o son idénticas; éstas pueden cambiar su valor de
una muestra a otra, por ello, se quiere estudiar la distribución de todos los valores posibles
de un estadístico.
El muestreo puede hacerse con o sin reposición, y la población de partida puede ser
infinita o finita. Una población finita en la que se efectúa muestreo con reposición puede
considerarse infinita teóricamente. También, a efectos prácticos, una población muy grande
puede considerarse como infinita.
¿Cómo determinar el número de muestras?
Muestreo sin reemplazo o de población finita
Partir de la siguiente formula podemos obtener todas las muestras posibles de un tamaño n
cualquiera sin repetición.
𝑵!
𝒎 = 𝑪𝒊𝒏 =
(𝑵 − 𝒏)! 𝒏!
Donde:
m : número de combinaciones o muestras que pueden ser seleccionadas de una población.

N: tamaño de la población
n: tamaño de la muestra
Muestreo con reemplazo o de población infinita
Esta fórmula permite calcular todas las combinaciones de tamaño n con repetición.
𝒎 = 𝑪𝒊𝒏 = 𝑵𝒏
Profesora: Lcda. Rosibel Padrón (MSc)

Rosipadron72@gmail.com
Núcleo Monagas
Error muestral
El error muestral se refiere a la variación existente entre muestras tomadas de la misma

población. Y se calcula a través de la siguiente fórmula:
𝝈
𝝈𝒙 =
√𝒏
Factor de corrección para poblaciones finitas (Fcpf)
Este factor se usa para corregir el error muestral de una población finita, su propósito es
disminuir aún más el error estimado al aumentar el tamaño de la muestra.
𝑁−𝑛
√
𝑁−1
Se aplica cuando la fracción de muestreo es mayor a 5%.

𝑛
𝑓𝑚 = ≥ 0,05 ; Caso contrario desestimarlo
𝑁
Error muestral corregido
𝝈 𝑵−𝒏
𝝈𝒙 = ∗√
√𝒏 𝑵−𝟏
Teorema del Límite Central
El teorema del límite central establece que la distribución de medias aritméticas, que es la
media de una muestra aleatoria de una población con varianza finita, tiene una distribución
aproximadamente normal cuando el tamaño de la muestra es grande, independientemente
de la forma de la distribución de la población. El teorema del límite central permite aplicar
estos procedimientos a poblaciones que son marcadamente no normales.
Distribución muestral de Medias
Cada muestra de tamaño n que podemos extraer de una población proporciona una media.
Si consideramos cada una de estas medias como valores de una variable aleatoria podemos
estudiar su distribución que llamaremos distribución muestral de medias.
Si se tiene una población normal 𝑁(𝜇, 𝜎 2 ) y extraemos de ella muestras de tamaño n, la

distribución muestral de medias sigue también una distribución normal

Núcleo Monagas
𝜎
𝑁 (𝜇, )
√𝑛
En los casos donde la población no siga una distribución normal, o no se conozca su forma
gráfica, pero n>30, se aplica el Teorema Central del Límite, y la distribución muestral de
medias se aproxima también a la normal anterior.
Características de la Distribución muestral de medias aritméticas
Cuando el muestreo se extrae de una población distribuida normalmente, la distribución

muestral de la media muestral tiene las siguientes propiedades:
 La distribución de la media es normal, independientemente del tamaño de la

muestra.
a) La media de la distribución muestral de medias aritméticas, debe ser igual a la
media de la población de la cual fueron extraídas.
𝝁𝒙̅ = 𝝁
Donde:
𝝁𝒙̅ = 𝒎𝒆𝒅𝒊𝒂 𝒅𝒆 𝒍𝒂 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒍 𝒅𝒆 𝒎𝒆𝒊𝒂𝒔 𝒂𝒓𝒊𝒕𝒎é𝒕𝒊𝒄𝒂𝒔
𝝁 = 𝒎𝒆𝒅𝒊𝒂 𝒂𝒓𝒊𝒕𝒎é𝒕𝒊𝒄𝒂 𝒑𝒐𝒃𝒍𝒂𝒄𝒊𝒐𝒏𝒂𝒍
b) La desviación estándar de la distribución muestral de medias aritméticas, debe ser

igual al error muestral
𝝈
𝝈𝒙̅ =
√𝒏
Donde:
𝝈𝒙̅ = 𝑬𝒓𝒓𝒐𝒓 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒍
𝝈 = 𝒅𝒆𝒔𝒗𝒊𝒂𝒄𝒊ó𝒏 𝒕í𝒑𝒊𝒄𝒂 𝒑𝒐𝒃𝒍𝒂𝒄𝒊𝒐𝒏𝒂𝒍
La expresión es la desviación estándar de la distribución muestral de medias, se le llama

error típico o estándar de la media y nos indica la diferencia promedio entre los diversos
valores de y X . Como se observa, a medida que el tamaño de la µ muestra aumenta este
error disminuye, las diversas medias muéstrales se hacen más uniforme en su valor, y en
consecuencia, cualquier media muestral es una buena estimación de la media poblacional µ.
Ejemplo: proceso de generación de una Distribución Muestral de la Medias
Suponga una población formada por solo N=6 elementos. Por ejemplo, los años de
antigüedad de 6 trabajadores de una empresa son 3,6,9,12,15,18 respectivamente.

Núcleo Monagas
Consideramos la selección de todas las muestras posibles de tamaño 3 sin
reemplazamiento.
 En primer lugar se debe definir el espacio muestral, dado por :

N= 3 6 9 12 15 18
 Ahora determinamos el número de muestras posibles de tamaño 3.
𝑵! 𝟔!
𝒎= = = 𝟐𝟎
(𝑵 − 𝒏)! 𝒏! (𝟔 − 𝟑)! 𝟑!
 Procedemos a seleccionar las muestras y calculamos sus respectivas medias, tal

como se muestra en la siguiente tabla.
Medias
Muestras ̅.)
muéstrales(𝒙
1 3.6,9 6,00
2 3,6,12 7,00
3 3,6,15 8,00
4 3,6,18 9,00
5 3,9,12 8,00
6 3,9,15 9,00
7 3,9,18 10,00
8 3,12,15 10,00
9 3,12,18 11,00
10 3,15,18 12,00
11 6,9,12 9,00
12 6,9,15 10,00
13 6,9,18 11,00
14 6,12,15 11,00
15 6,12,18 12,00
16 6,15,18 13,00
17 9,12,15 12,00
18 9,12,18 13,00
19 9,15,18 14,00
20 12,15,18 15,00
 Una vez seleccionadas las muestras y calculadas sus respectivas medias,

procedemos a construir la distribución de frecuencias de las medias muéstrales o
distribución muestral de medias aritméticas. Según se detalla en la siguiente tabla.

Núcleo Monagas
6 1 1/20 6 20,25
7 1 1/20 7 12,25
8 2 2/20 16 12,50
9 3 3/20 27 6,75
10 3 3/20 30 0,75
11 3 3/20 33 0,75
12 3 3/20 36 6,75
13 2 2/20 26 12,50
14 1 1/20 14 12,25
15 1 1/20 15 20,25
SUMATORIA 20 1 210 105
Calculamos la media y la desviación estándar de la distribución muestral

∑𝒙
̅𝒊 ∗𝒇𝒊 𝟐𝟏𝟎
𝝁𝒙̅ = ∑ 𝒇𝒊
𝝁𝒙̅ = = 𝟏𝟎, 𝟓
𝟐𝟎
̅ 𝒊 −𝝁𝒙̅ )𝟐 ∗𝒇𝒊 )
∑((𝑿 𝟏𝟎𝟓
𝝈=√ ∑ 𝒇𝒊
𝝈 = √ 𝟐𝟎 =2,29128785
Del mismo modo, con la información que tenemos de la población, calculamos la media
poblacional y el error muestral.
N= 3 6 9 12 15 18
∑ 𝒀𝒊 𝟑+𝟔+𝟗+𝟏𝟐+𝟏𝟓+𝟏𝟖
𝝁= = = 𝟏𝟎, 𝟓
𝑵 𝟔
Calculamos el error muestral. En vista de que se trata de muestre sin reemplazo y la

fracción de muestreo es mayor al 5% utilizamos la formula ajustada
𝒇𝒎 = 𝟑⁄𝟔 = 𝟎, 𝟓 > 0,05
𝝈 𝑵−𝒏
𝝈𝒙 = ∗√
√𝒏 𝑵−𝟏
Núcleo Monagas
𝝈
∑(𝟑 − 𝟏𝟎, 𝟓)𝟐 + (𝟔 − 𝟏𝟎, 𝟓)𝟐 + (𝟔 − 𝟏𝟎, 𝟓)𝟐 + (𝟏𝟐 − 𝟏𝟎, 𝟓)𝟐 + (𝟏𝟓 − 𝟏𝟎, 𝟓)𝟐 + (𝟏𝟖 − 𝟏𝟎, 𝟓)𝟐 )
=√
𝟔
= 𝟓, 𝟏𝟐𝟑𝟒𝟕𝟓𝟑𝟖
𝟓, 𝟏𝟐𝟑𝟒𝟕𝟓𝟑𝟖 𝟔−𝟑
𝝈𝒙 = ∗√ = 𝟐, 𝟐𝟗𝟏𝟐𝟖𝟕𝟖𝟓
√𝟑 𝟔−𝟏
Cálculo de probabilidades asociadas a la media
Caso A.- Población con distribución normal. Varianza poblacional 𝝈𝟐 conocida.
La variable aleatoria media aritmética muestral viene dada por la expresión

𝒏
𝟏
̅ = ∑ 𝒙𝒊
𝑿
𝒏
𝒊=𝟏
Tiene una distribución Normal

𝝈
̅ → 𝑵 (𝝁;
𝑿 )
√𝒏
Por lo tanto, utilizamos Z como variante estadística para calcular dichas probabilidades;
sin importar el tamaño de la muestra.-
̅−𝝁
𝒙
𝒁= 𝝈 → 𝑵(𝟎, 𝟏)
√𝒏
Caso B.- Población normal. Varianza poblacional 𝝈𝟐 desconocida

Núcleo Monagas
 Muestras grandes (𝒏 ≥ 𝟑𝟎)
Seguimos utilizando Z como variante estadística, pero el error muestral 𝑆𝑥̅ se

calcula a partir de la desviación estándar muestral (S), de la siguiente manera:
̅−𝝁
𝒙
𝒁= → 𝑵(𝟎, 𝟏)
𝑺𝒙̅
Donde:
 El error muestral estimado se tiene a través de la siguiente formula
𝑺
𝑺𝒙̅ =
√𝒏
 La desviación estándar de la muestra viene dada por:
̅)𝟐 ∗ 𝒇𝒊
∑(𝒙𝒊 − 𝒙
𝑺=√
𝒏−𝟏
 Muestras pequeñas (𝒏 < 30)
En este caso se utiliza t como variante estadística, definida como:
̅−𝝁
𝒙
𝒕=
𝑺𝒙̅
La cual sigue una distribución t de student con 𝑛 − 1 𝑔𝑙
̅−𝝁
𝒙
𝒕= 𝒔 → 𝒕𝒏−𝟏
√𝒏
Muestreo en poblaciones no Normales
En aquellos casos donde la población no siga una distribución normal o se desconozca su

forma gráfica, acudimos al Teorema del Límite Central.
 Sea x1, x2….xn, una muestra aleatoria simple (m.a.s.), de tamaño n de una
población con distribución de probabilidad no especificada, con media 𝝁 y
desviación típica 𝝈; la variable aleatoria Z, definida como:
̅−𝝁
𝒙
𝒁= 𝝈
√𝒏

Núcleo Monagas
Tiene una distribución aproximadamente N (0,1), si n>30.
Ejemplos y Aplicaciones.
Distribución de la media muestral, de población normal de varianza poblacional

conocida.
Ejercicio n° 4 de la guía
Se ha tomado una muestra aleatoria de 16 directivos de empresas de una gran

ciudad para estimar el tiempo medio que tardan diariamente en desplazarse al
trabajo. Suponga que el tiempo poblacional sigue una distribución normal que
tiene una media de 87 minutos y una desviación típica de 22 minutos.
a) ¿Cuál es el error típico de la media muestral de los tiempos de
desplazamiento?
b) ¿Cuál es la probabilidad de que la media muestral sea de menos de
100 minutos?
c) ¿Cuál es la probabilidad de que la media muestral sea de más de 80
minutos?
d) ¿Cuál es la probabilidad de que la media muestral sea más de 95 y
menos de 85 minutos?
Solución:
𝑋:Tiempo medio de desplazamiento → 𝑁(𝜇; 𝜎) = 𝑁(87; 22)
̅−𝝁
𝒙
𝒁= 𝝈 → 𝑵(𝟎, 𝟏)
√𝒏
Datos:
𝝁 = 𝟖𝟕; 𝝈 = 𝟐𝟐; 𝒏 = 𝟏𝟔
¿Cuál es el error típico de la media muestral de los tiempos de

desplazamiento?
𝝈 𝟐𝟐
𝝈𝒙̅ = = = 𝟓, 𝟓
√𝒏 √𝟏𝟔

Núcleo Monagas
¿Cuál es la probabilidad de que la media muestral sea de menos de 100
minutos?
̅−𝝁
𝒙 ̅ − 𝟖𝟕
𝒙 ̅ − 𝟖𝟕
𝒙
𝒁= 𝝈 = 𝟐𝟐 = 𝟓, 𝟓 → 𝑵(𝟎, 𝟏)
√𝒏 √𝟏𝟔
𝒙̅ − 𝟖𝟕 𝟏𝟎𝟎 − 𝟖𝟕
𝑝(𝑥̅ ≤ 100) = 𝑝 ( ≤ ) = 2,36
𝟓, 𝟓 𝟓, 𝟓
Buscamos en la tabla Z anexa, la probabilidad superior para 𝑍 = 2.36 la cual es de 0.0091

𝑝(𝑥̅ ≤ 100) = 𝑝(𝑍 ≤ 2,36) = 1 − 𝑝(𝑍 ≥ 2,36) = 1 − 0.0091 = 0.9909
La probabilidad de que una muestra de 16 ejecutivos seleccionados

aleatoriamente, el tiempo medio que tardan en desplazarse hasta su trabajo sea
menor de 100 minutos es de 0,9909. También pudiera decir que la probabilidad es
del 99,09 por ciento.
¿Cuál es la probabilidad de que la media muestral sea de más de 80 minutos?

̅ − 𝟖𝟕 𝟖𝟎 − 𝟖𝟕
𝒙
𝑝(𝑥̅ ≥ 80) = 𝑝 ( ≥ ) = −1,27
𝟓, 𝟓 𝟓, 𝟓
𝑝(𝑥̅ ≥ 80) = 𝑝(𝑍 ≥ −1,27) = 1 − 𝑝(𝑍 ≥ −1,27) = 1 − 0.1020 = 0.8980

más de 80 minutos es de 0,8980. También pudiera decir que la probabilidad es del
89,80 por ciento.

Núcleo Monagas
¿Cuál es la probabilidad de que la media muestral sea más de 95 y menos de 85
minutos?
85 − 87 𝒙̅ − 𝟖𝟕 𝟗𝟓 − 𝟖𝟕
𝑝(85 ≤ 𝑥̅ ≥ 95) = 𝑝 ( ≤ ≥ ) = −𝟎. 𝟑𝟔 ≤ 𝒁 ≥ 𝟏. 𝟒𝟓
5,5 𝟓, 𝟓 𝟓, 𝟓
𝑃(𝑍 > −0.36) = 0.3632

𝑃(𝑍 > 1.45) = 0.0735
𝑝(85 ≤ 𝑥̅ ≥ 95) = 𝑝(−0.36 ≤ 𝑍 ≥ 1.45) = (1 − ( 𝑝(𝑍 > −0.36) + 𝑃(𝑍 > 1.45))
= (1 − (0.3632 + 0.0735)) = 0.5633
menos de 85 y más de 95 minutos es de 0,5633.
Distribución de la media muestral, de población normal de varianza poblacional

desconocida n<30.
Ejemplo:
Se está realizando un estudio sobre la calidad del aire en una zona. Uno de los indicadores
de calidad del aire es el número medio los microgramos de partículas en suspensión por
metro cúbico. Supongamos que el número medio de microgramos de partículas, está
normalmente distribuida. Se hacen 16 mediciones en las que se obtiene una desviación
estándar muestral de 10,8585 unidades. Obtener la probabilidad de que la media muestral
no difiera de la media poblacional en más 8 unidades
𝑋: 𝑛ú𝑚𝑒𝑟𝑜 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑚𝑖𝑐𝑟𝑜𝑔𝑟𝑎𝑛𝑜𝑠 𝑑𝑒 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑠

Datos:
n = 16 ; s = 10,8585;
̅ − 𝝁| ≤ 𝟖) = (−𝟖 ≤ ̅𝒙 − 𝝁 ≤ 𝟖)
𝒑(|𝒙
̅−𝝁
𝒙 ̅−𝝁
𝒙
𝒕= 𝒔 → 𝒕𝒏−𝟏 = → 𝒕𝟏𝟓
𝟏𝟎, 𝟖𝟓𝟖𝟓
√𝒏 √𝟏𝟔
−𝟖 𝟖
= 𝒑( ̅−𝝁 ≤
≤𝒙 ) = 𝑷(−𝟐. 𝟗𝟒𝟕 ≤ 𝒕 ≤ 𝟐. 𝟗𝟒𝟕) → 𝒕𝟏𝟓
𝟐, 𝟕𝟏𝟒𝟔 𝟐, 𝟕𝟏𝟒𝟔
Núcleo Monagas
Ahora en la tabla “T de estuden” buscamos la probabilidad superior de 𝒕(≥𝟐.𝟗𝟒𝟕;𝟏𝟓) , cuya

probabilidad encontrada es de 0.005
𝑷(−𝟐. 𝟗𝟒𝟕 ≤ 𝒕 ≤ 𝟐. 𝟗𝟒𝟕) = (𝟏 − 𝟐𝒑(𝒕(𝟐. 𝟗𝟒𝟕; 𝟏𝟓)) = (𝟏 − (𝟐𝒙𝟎. 𝟎𝟎𝟓)) = 𝟏 − 𝟎. 𝟎𝟏 = 𝟎. 𝟗𝟗
Distribución muestral de proporción
La distribución muestral de proporciones corresponde a una distribución de probabilidades

de todas las proporciones posibles de las muestras para un tamaño determinado.
Los parámetros que definen esta distribución son:
a) La media de la distribución muestral de proporción, debe ser igual a la proporción

poblacional.
𝝁𝒑̅ = 𝝅
Donde:
𝝁𝒑̅ = 𝑴𝒆𝒅𝒊𝒂 𝒅𝒆 𝒍𝒂 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒍 𝒅𝒆 𝒑𝒓𝒐𝒑𝒐𝒓𝒄𝒊ó𝒏
𝝅 = 𝑷𝒓𝒐𝒑𝒐𝒓𝒄𝒊ó𝒏 𝒑𝒐𝒃𝒍𝒂𝒄𝒊𝒐𝒏𝒂𝒍
b) La desviación estándar de la distribución muestral de proporción, debe ser igual al

error muestral
𝝅𝑸 𝑵−𝒏
𝝈𝒑̅ = √ ∗√ → 𝒑𝒐𝒃𝒍𝒂𝒄𝒊𝒐𝒏𝒆𝒔 𝒇𝒊𝒏𝒊𝒕𝒂𝒔
𝒏 𝑵−𝟏
𝝅𝑸
𝝈𝒑̅ = √ → 𝒑𝒐𝒃𝒍𝒂𝒄𝒊𝒐𝒏𝒆𝒔 𝒊𝒏𝒇𝒊𝒏𝒊𝒕𝒂𝒔
𝒏
Donde:
𝝈𝒑̅ = 𝑬𝒓𝒓𝒐𝒓 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒍 𝒅𝒆 𝒍𝒂 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝒅𝒆 𝒑𝒓𝒐𝒑𝒐𝒓𝒄𝒊𝒐𝒏𝒆𝒔
En muchos casos se supone estimar una proporción o un porcentaje. En estos casos la

variable aleatoria toma solamente dos valores diferentes (éxito o fracaso), es decir sigue
una distribución binomial y cuando la extensión de la población es grande la
distribución binomial B(n,p) se aproxima a la normal
𝒙 → 𝑵(𝒏𝝅; √𝒏𝝅𝑸
Núcleo Monagas
Donde:
É𝐱𝐢𝐭𝐨𝐬 (𝛑; 𝐩
̅) 𝐲 𝐅𝐫𝐚𝐜𝐚𝐬𝐨𝐬 (𝟏 − 𝛑; 𝐪
̅)
𝝅 = 𝒑𝒓𝒐𝒑𝒐𝒓𝒄𝒊ó𝒏 𝒅𝒆 𝒍𝒂 𝒑𝒐𝒃𝒍𝒂𝒄𝒊ó𝒏
̅ = 𝒑𝒓𝒐𝒑𝒐𝒓𝒄𝒊ó𝒏 𝒅𝒆 𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂
𝒑
De tal manera que la proporción muestral se define como:
𝒙 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒆𝒍𝒆𝒎𝒆𝒏𝒕𝒐𝒔 𝒅𝒆 𝒊𝒏𝒕𝒆𝒓é𝒔 𝒅𝒆 𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂

̅=
𝒑 →
𝒏 𝒕𝒂𝒎𝒂ñ𝒐 𝒅𝒆 𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂
𝝅𝑸
̅ → 𝑵 (𝝅; √
𝒑 )
𝒏
Para el cálculo de probabilidades relacionadas a la proporción se trabaja de manera

análoga a la distribución muestral de medias.
Por lo tanto se utiliza Z como variante estadística

̅−𝝅
𝒑
𝒁= → 𝑵(𝟎; 𝟏)
√𝝅𝑸
𝒏
Ejemplo: considerar el ejercicio nro. 15 de la guía
1. Una fábrica tiene 438 obreros, de los cuales 239 están preocupados por las
prestaciones sociales. Se ha pedido a una muestra aleatoria de 80 de estos obreros que
estime la proporción de obreros preocupada por las prestaciones sociales:
a) Cuál es la probabilidad de que la proporción muestral sea inferior a 0,5?
b) Cuál es la probabilidad de que la proporción muestral este entre 0,5 y 0,6?
Datos:
𝑵 = 𝟒𝟑𝟖 ; 𝒙𝒊 = 𝟐𝟑𝟗; 𝒏 = 𝟖𝟎
𝟐𝟑𝟗
̅−𝝅
𝒑 𝟎, 𝟓 −
𝑎. −) 𝑝(𝑝̅ ≤ 0,5) = 𝑝 ≤ 𝟒𝟑𝟖 = 0,99
√𝝅(𝟏 − 𝝅) ∗ √𝑵 − 𝒏 √𝟎, 𝟓𝟓(𝟏 − 𝟎. 𝟓𝟓) ∗ √𝟒𝟑𝟖 − 𝟖𝟎
( 𝒏 𝑵−𝟏 𝟖𝟎 𝟒𝟑𝟖 − 𝟏 )
𝑝(𝑝̅ ≤ 0,5) = 𝑝

Núcleo Monagas


Distribuciones muestrales y error muestral

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribuciones muestrales y error muestral

Cargado por

Copyright:

Formatos disponibles

Universidad de Oriente

¿Cómo determinar el número de muestras?

Muestreo sin reemplazo o de población finita

m : número de combinaciones o muestras que pueden ser seleccionadas de una población.

Muestreo con reemplazo o de población infinita

Profesora: Lcda. Rosibel Padrón (MSc)

El error muestral se refiere a la variación existente entre muestras tomadas de la misma

Factor de corrección para poblaciones finitas (Fcpf)

Se aplica cuando la fracción de muestreo es mayor a 5%.

Error muestral corregido

Teorema del Límite Central

Distribución muestral de Medias

Si se tiene una población normal 𝑁(𝜇, 𝜎 2 ) y extraemos de ella muestras de tamaño n, la

Profesora: Lcda. Rosibel Padrón (MSc)

Características de la Distribución muestral de medias aritméticas

Cuando el muestreo se extrae de una población distribuida normalmente, la distribución

 La distribución de la media es normal, independientemente del tamaño de la

b) La desviación estándar de la distribución muestral de medias aritméticas, debe ser

La expresión es la desviación estándar de la distribución muestral de medias, se le llama

Ejemplo: proceso de generación de una Distribución Muestral de la Medias

Profesora: Lcda. Rosibel Padrón (MSc)

 En primer lugar se debe definir el espacio muestral, dado por :

 Procedemos a seleccionar las muestras y calculamos sus respectivas medias, tal

 Una vez seleccionadas las muestras y calculadas sus respectivas medias,

Profesora: Lcda. Rosibel Padrón (MSc)

Calculamos la media y la desviación estándar de la distribución muestral

Calculamos el error muestral. En vista de que se trata de muestre sin reemplazo y la

𝒇𝒎 = 𝟑⁄𝟔 = 𝟎, 𝟓 > 0,05

Cálculo de probabilidades asociadas a la media

Caso A.- Población con distribución normal. Varianza poblacional 𝝈𝟐 conocida.

La variable aleatoria media aritmética muestral viene dada por la expresión

Tiene una distribución Normal

Caso B.- Población normal. Varianza poblacional 𝝈𝟐 desconocida

Profesora: Lcda. Rosibel Padrón (MSc)

Seguimos utilizando Z como variante estadística, pero el error muestral 𝑆𝑥̅ se

En este caso se utiliza t como variante estadística, definida como:

La cual sigue una distribución t de student con 𝑛 − 1 𝑔𝑙

En aquellos casos donde la población no siga una distribución normal o se desconozca su

Profesora: Lcda. Rosibel Padrón (MSc)

Distribución de la media muestral, de población normal de varianza poblacional

Se ha tomado una muestra aleatoria de 16 directivos de empresas de una gran

¿Cuál es el error típico de la media muestral de los tiempos de

Profesora: Lcda. Rosibel Padrón (MSc)

Buscamos en la tabla Z anexa, la probabilidad superior para 𝑍 = 2.36 la cual es de 0.0091

La probabilidad de que una muestra de 16 ejecutivos seleccionados

¿Cuál es la probabilidad de que la media muestral sea de más de 80 minutos?

𝑝(𝑥̅ ≥ 80) = 𝑝(𝑍 ≥ −1,27) = 1 − 𝑝(𝑍 ≥ −1,27) = 1 − 0.1020 = 0.8980

Profesora: Lcda. Rosibel Padrón (MSc)

𝑃(𝑍 > −0.36) = 0.3632

Distribución de la media muestral, de población normal de varianza poblacional

𝑋: 𝑛ú𝑚𝑒𝑟𝑜 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑚𝑖𝑐𝑟𝑜𝑔𝑟𝑎𝑛𝑜𝑠 𝑑𝑒 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑠

Ahora en la tabla “T de estuden” buscamos la probabilidad superior de 𝒕(≥𝟐.𝟗𝟒𝟕;𝟏𝟓) , cuya

𝑷(−𝟐. 𝟗𝟒𝟕 ≤ 𝒕 ≤ 𝟐. 𝟗𝟒𝟕) = (𝟏 − 𝟐𝒑(𝒕(𝟐. 𝟗𝟒𝟕; 𝟏𝟓)) = (𝟏 − (𝟐𝒙𝟎. 𝟎𝟎𝟓)) = 𝟏 − 𝟎. 𝟎𝟏 = 𝟎. 𝟗𝟗

Distribución muestral de proporción

La distribución muestral de proporciones corresponde a una distribución de probabilidades

Los parámetros que definen esta distribución son:

a) La media de la distribución muestral de proporción, debe ser igual a la proporción

b) La desviación estándar de la distribución muestral de proporción, debe ser igual al

En muchos casos se supone estimar una proporción o un porcentaje. En estos casos la

De tal manera que la proporción muestral se define como:

𝒙 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒆𝒍𝒆𝒎𝒆𝒏𝒕𝒐𝒔 𝒅𝒆 𝒊𝒏𝒕𝒆𝒓é𝒔 𝒅𝒆 𝒍𝒂 𝒎𝒖𝒆𝒔𝒕𝒓𝒂

Para el cálculo de probabilidades relacionadas a la proporción se trabaja de manera

Por lo tanto se utiliza Z como variante estadística