MUESTREO ESTADÍSTICO

MAT 1135 - ESTADISTICA

Facultad Nacional de Ingeniería
Oruro - Bolivia
Febrero, 2008

José Luis Zamorano Esclante

Universidad Técnica de Oruro
Presentación
 ¿Qué objetivos pretendemos alcanzar en el
curso?
Responder a tres preguntas básicas:

•1ª ¿Qué es el muestreo estadístico, donde y

cómo aplicamos ?
•2ª ¿Cuáles son los parámetros estadísticos
que se usan en muestreo?
•3ª ¿Qué distribuciones de probabilidad se
utilizan en muestreo estadístico?

Presentación
 TEMARIO :

Introducción

Muestra Aleatoria

Media de una muestra aleatoria

Varianza de una muestra Aleatoria

Teorema del límite central

Distribución Normal

Distribución “Ji” Cuadrada

Distribución “t” de Student

Distribución “F”
 BIBLIOGRAFIA :

Probabilidad y Estadística para

Ingenieros, Walpole-Myers, Ed.
Interamericana

Análisis de Procesos por Métodos
Estadísticos, Himmelblau, Ed. Wiley

Estadística, Spiegel, Ed. Mc. Graw-Hill

Estadística para Ingenieros, Bowker,
Ed. Prentice Hall
 INTRODUCCIÓN:
Variables Variables
Controlables Respuesta

PROCESO

Variables
Incontrolables
INTRODUCCIÓN:

Prueba:
 Observación de un experimento

Error:
 Variaciones entre pruebas individuales

Variable Aleatoria
 Discreta
 Continua
INTRODUCCIÓN:

TEMPERATURA

1 2 3 4 5 6 7 8 9 10 11
INTRODUCCIÓN:

Población:
 Es la totalidad de posibles objetos o medidas
de interés sobre los que se hace un estudio
 Pueden ser infinitas ó finitas

Muestra:
 Es una parte de una población, seleccionada
adecuadamente, que conserva los aspectos
clave de la población
Muestra Aleatoria

Población

Muestra Muestra
 Muestra Aleatoria

Cuando el proceso de toma de una
muestra es tal que garantiza a cada uno
de los elementos de la población la misma
oportunidad de ser incluidos en dicha
muestra, denominamos a la muestra
muestra aleatoria y al proceso de
selección muestreo aleatorio.
Media de una muestra aleatoria

Media (promedio) es un parámetro de

tendencia central

Si x1; x2; x3; …. ; xn representan los
elementos de una muestra aleatoria de
tamaño n, la media muestral está definida
por:
n

___ ∑x
i =1
i
X =
n
 Varianza de una muestra
aleatoria

Varianza es un parámetro de dispersión

Si x1; x2; x3; …. ; xn representan los elementos de
una muestra aleatoria de tamaño n, la varianza
muestral está definida por:
n __

2
∑
i =1
( xi − x )2
s =
n −1

Desviación Standard

2
s= s
Propiedades de los parámetros

La media muestral es un estimador de µ y
la varianza muestral es un estimador de
σ2.

 El estimador puntual debe ser insesgado

 El estimador puntual debe tener varianza
mínima
 Teorema del límite central

Si x1; x2; x3; …. ; xn son variables aleatorias
independientes, con valor medio µ y
varianza σ2 entonces la distribución de la
variable : n
(∑ xi ) − nµ
Z = i =1
σ n

Es la distribución normal estandarizada

N(0,1) cuando n →∞.
Distribución Normal de una
muestra

__
x − µ
Z =
σ
n
Distribución Normal de una
muestra
Distribución “ji” cuadrada (χ )
2

Si s2 es la varianza de una muestra aleatoria de

tamaño n, tomada se una población normal con
varianza σ2, entonces la variable aleatoria:

2
2 ( n − 1) s
χ = 2
σ

Tiene una distribución ji cuadrada con υ=n-1 grados

de libertad
Distribución “ji” cuadrada (χ2)
Distribución “ji” cuadrada (χ2)
Distribución “t” de Student

Si Z es una variable normal estandar y V una
variable ji cuadrada con υ grados de libertad,
entonces la variable aleatoria T :
__
Z
T =
V
( x − µ)
T=
ν S n

Es una distribución t con υ grados de libertad
Distribución “t” de Student
Distribución “t” de Student
Distribución “F” de Fisher

Si U y V son variables aleatorias que
tienen distribución “ji” cuadrada con υ1 y
υ2 grados de libertad, entonces :
U
ν 1
F =
V
ν 2

Tiene una distribución “F” con υ1 y υ2

grados de libertad
Distribución “F” de Fisher
Distribución “F” de Fisher
 Un ejemplo de aplicación

Un fabricante de bombillas asegura que
su producto tiene una duración de 500
horas. Para verificar esta afirmación, se
prueban 25 bombillas obteniendo un
promedio de 518 horas con una
desviación estándar de 40 horas. Qué
conclusión se puede sacar de las pruebas.
Un ejemplo de aplicación

Probabilidad del 95% (∞ = 0.05)

“t” = 2.064
Un ejemplo de aplicación

Calculamos el valor de t muestral:

518 − 500
t= = 2.25
40 25

El valor de t muestral es mayor al de la

distribución t, por lo tanto las bombillas
tienen una probabilidad del 95% de que
durarán mas de 500 horas.