Estadística Inferencial

Distribuciones
Muestrales
 Introducción

• Uno de los objetivos de la Estadística

es el de realizar inferencia acerca de
las característica de una población.
• Estas inferencias se basan en la
información obtenida de una muestra
aleatoria, de la población en estudio,
la cual debe ser representativa de la
población de interés.
Conceptos Básicos
 Conceptos Previos
• Para abordar el tema de Intervalos
de Confianza, se debe tener claro los
siguientes conceptos:

Población y Muestra
Parámetro y Estadígrafo o Estimador
Inferencia Estadística
 Población
Es un conjunto total, finito o infinito, de
personas, objetos o cosas, que tienen al menos
una característica en común, cuyo estudio nos
interesa o acerca de los cuales se desea
información. Tenemos aquí, la noción de
población como un conjunto universo.
Ejemplos:
Todas las personas mayores de 30 años que residen
en la ciudad de Arequipa.

Los Colegios estatales de nivel primaria, ubicado en el

cono norte de la ciudad de Lima.

Los familias residentes en el distrito de Jesús María

 Muestra
Subconjunto finito de unidades de Ejemplos:
análisis (de tamaño “n”) seleccionados  50 personas seleccionadas,
de la población en estudio. La muestra de entre las personas que
debe ser representativa, es decir residen en la Ciudad de
debe tener, en lo posible, Arequipa.
caracteristicas similares a las de su
poblacion.  Se seeleccionan 35 colegios
de nivel primaria, de entre
los colegios ubicados en el
cono norte de Lima.

 80 familias seleccionadas
de entre todas las familias
residents en el distrito de
Jesús María.
 Parámetro (θ)
Es una medida de resumen de alguna
característica de interés (Variable), que
representa a la población y cuyo
valor numérico se calcula en base al
estudio de toda la población (Censo).
Como el realizar un censo generalmente
no es factible por el tiempo que requiere
y por el costo que implica, estos valores
son desconocidos y por lo tanto deben de
ser ESTIMADOS.
Los principales Parámetros son:
Media o Promedio Poblacional : 
Proporción Poblacional : 
Varianza Poblacional : 2

También estaremos interesados en los

parámetros:

Diferencia de Medias : 1- 2

Diferencia de Proporciones : 1   2
Cociente de Varianzas : 12  22
 
Estimador ( )
Es una medida de resumen que representa los
datos de una muestra aleatoria de tamaño n X1,
X2,…,Xn ; tomados de una determinada población
Es decir:

Estimador = = f(X1, X2,…,Xn)
Esto nos indica que el estimador solo depende de
los valores muestrales.
Los estimadores o estadígrafos correspondientes
a los parámetros definidos anteriormente son:
 Media Muestral:
__
 Se denotado por x
 Es el estimador puntual de la media poblacional μ
 Se calcula de la siguiente manera:
si tenemos una muestra de tamaño “n”
X1, X2,…,Xn
n

__ x
i 1
i
x
n
Proporción muestral:

 Se denotado por “p”

 Es el estimador puntual de la proporción 
poblacional
 Se calcula de la siguiente manera:
si tenemos una muestra de tamaño “n”
X1, X2,…,Xn
n
1 exito
x i donde: xi  
0 fracaso
p i 1
n
Varianza muestral:

 Denotado por S2
 Es un estimador de la Varianza poblacional σ2
 Se calcula de la siguiente forma:
si tenemos una muestra aleatoria de tamaño “n”
X1, X2,…,Xn
n __ n __

 i
(x  x ) 2
 i nx
x 2 2

S 
2 i 1
o tambien S2  i 1

n 1 n 1
 Error de Estimación
Definimos como error de estimación a la
diferencia, términos absolutos, entre el
Estimador y el Parámetro.
Este error se debe a que una muestra no da la
información completa con respecto de la
población.
Este error puede ser medido y controlado, de
cierta forma, utilizando técnicas estadísticas
adecuadas.

E  θ θ
 Parámetros y sus Estimadores Puntuales

Representación simbólica
Medida de resumen Parámetro Estimador
Media o Promedio µ x
Varianza σ2 S2
Desviación Estándar σ S
Proporción π p
 POBLACIÓN

MUESTRA

μ Muestreo
X1 ,X 2 ,...,X n

σ 2
X
S2
σ
S
π Inferencia Estadística
p

Estimadores
Parámetros
Distribuciones
Muestrales
 Distribuciones Muestrales

• Definición:
Se denomina distribución muestral a la
distribución de probabilidades del estadígrafo (o
estimador) calculada a partir de todas las
posibles muestras de tamaño n elegidas de la
población en estudio.
Estas distribuciones se conciben en forma
teórica puesto que por lo general es muy difícil
extraer todas las muestras de tamaño n de una
población.
• Los estadígrafos, definidos anteriormente, son variables
aleatorias y por lo tanto estaremos interesados en
hallar la Distribución Muestral de cada una de estas
variables, y para esto tendremos que determinar las
siguientes características:
i. Su función de probabilidad
ii. Su media
iii. Su varianza
Cuando se conocen estas características se dice que la
Distribución Muestral del Estadígrafo esta bien definida.
 Distribuciones Muestrales
de poblaciones con distribución normal
 __
Distribución de la Media Muestral ( x)

• Si se selecciona una muestra aleatoria de

tamaño n de un población con
distribución normal con media  y
varianza 2 , entonces tendremos que la
distribución de la variable media muestra
es:
__  σ 
2
x  N μ , 
 n 
• Es decir: _
E( x )  μ __  μ
x
_
σ
2
V( x )  σ __ 2

x n
• Por lo tanto tendremos que:
__
xμ
Z
σ
n
Distribución de la Varianza muestral (S2)
• Si de una población con distribución normal de
media  y varianza 2 se extrae una muestra
aleatoria de tamaño n, entonces la distribución
asociada a la varianza muestral será:

(n  1) S 2
 2
( n 1)
 2

• S2 : es la varianza muestral

• n : es el tamaño de la muestra

•
 2
( n 1) : es la distribución Chi-cuadrada con (n-1) grados
de libertad.
 Distribución de la media muestral
cuando la varianza 2 es desconocida

Si se toma una muestra aleatoria de tamaño n de una

población con distribución normal de media  y varianza
2 desconocida, entonces tendremos que:

x-
 t (n-1)
S
n
Donde t(n-1) es una distribución t de Student con (n-1)
grados de libertad.
 Notas: Distribución de la media muestral cuando la
varianza 2 es desconocida
Con respecto a esta última distribución mostrada se debe considerar
los siguiente:
 Si el tamaño de muestra n es mayor que 30, esta distribución puede
ser aproximada mediante la distribución normal, basándonos en el
Teorema Central del Límite, es decir

x-
Z
S
n

 Si el tamaño de muestra n es menor o igual que 30 mantiene sus

distribución t(n-1) es decir:
x-
 t (n-1)
S
n
 Distribuciones Muestrales
de poblaciones que no tienes distribución normal
 __
Distribución de la Media muestral ( x)
• Si se toma una muestra aleatoria de tamaño
n de un población con cierta distribución cuyo
media es  y cuya varianza es 2 , entonces si
n>30 y basándonos en el Teorema del Límite
Central, tendremos que la distribución de la
variable media muestra es la que se muestra a
continuación:

__  σ2 
x  N
μ , n 
 
Distribución de la Proporción muestral (p)
Suponga una población con distribución de Bernoulli con
parámetro  , si de esta población se toma una muestra
aleatoria de tamaño n, entonces la distribución muestral de
la proporción muestral, p, será:

  (1   ) 
p  N  , 
 n 
La que al ser estandarizada, puede ser representada también
de la siguiente forma:

p 
Z
 (1   )
n