DISTRIBUCION MUESTRAL DE LA DIFERENCIA DE DOS

MEDIAS CON VARIANZAS POBLACIONALES DESCONOCIDAS

Sea 𝑋̅1 la media de una muestra aletoria de tamaño n1 extraida de la poblacion normal
N(μ1 , 𝜎12 ) , y sea 𝑋̅2 la media de otra muestra aletoria de tamaño n2 extraida de la
poblacion normal N(μ2 ,𝜎22 ) , independiente de la anterior.

a) Varianzas poblacionales iguales 𝝈𝟐𝟏 = 𝝈𝟐𝟐 = 𝝈𝟐

En este caso, la variable 𝑋̅1 - 𝑋̅2 tiene distribucion normal
𝜎2 𝜎2
N(μ1 - μ2, 𝑛1 + 𝑛2 )
1 2

Y la variable aleatoria estandar

𝑋̅1 −𝑋̅2 −(𝜇1 −𝜇2 ) 𝑋̅1 −𝑋̅2 −(𝜇1 −𝜇2 )
𝑍= = 1 1
𝜎 𝜎2 2 𝜎√ +
√ 1+ 2 𝑛1 𝑛2
𝑛1 𝑛2

Tiene distribucion muestral N(0,1) . Por otra parte

(𝑛1 − 1)𝑆̂21 2 (𝑛
(𝑛2 − 1)𝑆̂22
~𝑋 1 − 1) 𝑦 ~𝑋 2 (𝑛2 − 1)
𝜎12 𝜎22
(𝑛1 −1)𝑆̂12 (𝑛2 −1)𝑆̂22
y, V= + − 𝑋 2 (𝑛1 + 𝑛2 − 2)
𝜎12 𝜎22

Por tanto la variable aletoria:

𝑍 (𝑋̅1 −𝑋̅2 )−(𝜇1 −𝜇2 )
T= 𝑉
=
√𝑛 +𝑛 −2 ̂
𝑆2 ̂
𝑆 2
1 2 √ 𝑐+ 𝑐
𝑛1 𝑛2

Tiene distribucion t – student con n1 + n2 – 2 grados de libertad

Donde 𝑆̂𝐶2 la varianza comun tiene la expresion

(𝑛1 − 1)𝑆̂12 + (𝑛2 − 1)𝑆̂22

𝑆̂𝐶2 =
𝑛1 + 𝑛2 − 2
b) Varianzas poblacionales diferentes 𝝈𝟐𝟏 ≠ 𝝈𝟐𝟐
En este caso la variable aletoria
(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 )
𝑇=
̂2 ̂2
√𝑆1 + 𝑆2
𝑛1 𝑛2

Tiene distribucion t – student con g grados de libertad, donde:

 2
𝑆̂12 𝑆̂22
[𝑛 + 𝑛 ]
1 2
𝑔= 2 2
𝑆̂1
2
𝑆̂22
[𝑛 ] [𝑛 ]
1 2
+
𝑛1 − 1 𝑛2 − 1
Si g no es un numero entero se redondea al entero mas cercano

CONCLUSIONES:

Siendo la estadística la ciencia auxiliar de las demás ciencias, el método del muestreo se
convierte en una de las herramientas más importantes para la toma de decisiones en los
asuntos concernientes a la inferencia de datos, su aporte significativo se enmarca en dar
a conocer con un mínimo margen de error la situación real y las diferentes tendencia o
probabilidades que existen dentro de una determinada población. Su objeto es el estudio
de ciertas fracciones individuales que fluctúan intrínsecamente en el seno de cierta
población.
Cuando en una población finita de la que se desea extraer una muestra se aplica un
método de extracción tal, que garantice a cada uno de los elementos de la población la
misma oportunidad de ser incluidos en dicha muestra, llamamos a este método muestreo
aleatorio.
El error muestral o de estimación, es el máximo error estadístico que puede presentarse
en una muestra, es la diferencia que se presenta entre un estimador o estadístico y su
parámetro correspondiente. El error muestral, nos proporciona, no un error concreto y
determinado, sino que establece el rango de confianza dentro del que nos desplazamos
en la muestra.
Existen dos tipos de estimadores dentro de la estadística estos son; Estimador puntual y
Estimador por intervalos, las características de un buen estimador es que debe ser:
insesgado, consistente, eficiente y suficiente
Una estadística muestral proveniente de una muestra aleatoria simple tiene un patrón de
comportamiento (predecible) en repetidas muestras. Este patrón es llamado la
distribución muestral de la estadística. Si conocemos la distribución muestral podemos
hacer inferencia. Las distribuciones muestrales adoptan diferentes formas según las
estadísticas investigadas y las características de la población estudiada. Debemos tener
en cuenta que la distribución muestral cambia con el tamaño de la muestra
Podemos entonces concluir que los diversos métodos utilizados en el muestreo aleatorio
y la distribución muestral, son una importante herramienta aplicables en los distintos
campos de las ciencias, en la economía podemos realizar estudios de mercado, para
conocer el comportamiento de la oferta y demanda de un producto dentro de una
población, en la contabilidad y la administración es útil en los procesos productivos y
administrativos de compañías dedicadas a producción industrial, comercial y de
servicios, así como en problemas de la vida diaria, tiene como finalidad ser un
instrumento de gran valor, teniendo en cuenta que proporciona datos, probabilidades y
tendencias de determinadas poblaciones como, empresas, familias, entidades estatales,
universidades o grupos específicos de la sociedad, además de tratar de predecir con
exactitud el comportamiento ante eventos específicos que permiten lograr tomar
decisiones basados en resultados con un alto rango de exactitud.