GUÍA DE TRABAJO: ESTADÍSTICA INFERENCIAL

CAPITULO I

“DISTRIBUCIÓN MUESTRAL DE LA MEDIA Y

PROPORCIONES”

1.2. DEFINICIONES ELEMENTALES

1.2.1. Estadística(o)

Si se extrae k muestras aleatorias del mismo tamaño

y de la misma población, se va a obtener k valores
 
para  también aleatorias; entonces a  se le
denomina estadística. De esta definición se deduce
que una estadística es una variable aleatoria cuyos
valores son estadígrafos y un estadígrafo es un
número.

1.2.2. Distribución Muestral?


Una estadística  como toda variable aleatoria tiene
su distribución de probabilidad, y por lo tanto, a la

distribución de la estadística  se le denomina


Distribución muestral de . Normalmente, para una
distribución muestral se tiene interés de conocer tres
aspectos: media, varianza y forma funcional
(apariencia gráfica).

1 Dra. Auria Julieta Flores Luna

 GUÍA DE TRABAJO: ESTADÍSTICA INFERENCIAL

1.3. DISTRIBUCIÓN MUESTRAL DE LA MEDIA

Al extraer k muestras aleatorias del mismo tamaño y de la

misma población, se debe determinar para cada muestra su
media muestral dada como: X 1 , X 2 , , X k ; estos
números (estadígrafos) son los valores de la variable
aleatoria X (estadística) y como tal tiene su Distribución
muestral denominada Distribución muestral de la media.
Por tanto, sea X una variable aleatoria de una población
finita o infinita que tiene como media  y varianza  2 , al
extraer k muestras aleatorias del mismo tamaño, la
distribución de la media muestral tendrá:

a) Para poblaciones infinitas o con reemplazo

Como media de medias igual a la media poblacional
y varianza de medias igual a la varianza poblacional
sobre n, es decir:
2
E (X )   y V ( X ) 
n

b) Para poblaciones finitas o sin reemplazo

Como media de medias igual a la media poblacional
y varianza de medias igual a la varianza poblacional
sobre n por el FCPF, es decir:

E (X )   y V ( X ) 
 2  N  n 
n  N 1 

2 Dra. Auria Julieta Flores Luna

 GUÍA DE TRABAJO: ESTADÍSTICA INFERENCIAL

1.4. TEOREMA DEL LÍMITE CENTRAL

El teorema del límite central establece que, a medida que

el tamaño de muestra aumenta, la forma de la distribución
de muestreo para la media (y para otros estadísticos) se
aproxima a la de una distribución normal,
independientemente de la forma de la distribución de la
población de la cual se extrajo la muestra.

Para determinar los valores de probabilidad para la media

muestral, la variable aleatoria X se convierte a una nueva
variable aleatoria Z que es la forma estandarizada o
tipificada dada como:

X  E( X ) X  
Z  tiende N(0,1)
V (X )  / n

1.5. DISTRIBUCIÓN MUESTRAL DE PROPORCIONES

Sea X una variable aleatoria con distribución binomial

cuyo parámetro P representa a la proporción poblacional
de éxitos; al extraer muestras aleatorias de tamaño n, la
proporción de éxitos muestral estará definido como
x
p  cuya distribución muestral según el teorema del
n
límite central se convierte a una variable aleatoria Z dada
como:

3 Dra. Auria Julieta Flores Luna

 GUÍA DE TRABAJO: ESTADÍSTICA INFERENCIAL

p  E ( p) p P
z  tiende N(0,1)
V ( p) PQ
n
Donde: Q=1-P

Si la población binomial es finita de tamaño N, entonces:

p  P
Z 
PQ  N  n 
 
n  N 1 


NOTA: Como se pasa de una variable aeatori discreta

(binomial) a una distribución continua (normal), en caso
de que el tamaño de muestra sea pequeño se introduce el
1
factor de corrección de continuidad  . Se suma este
2n
factor al límite superior y se resta al límite inferior. Si el
n es suficientemente grande se omite el factor de
continuidad.

4 Dra. Auria Julieta Flores Luna