ESTADÍSTICA INFERENCIAL

Distribuciones Muestrales

Jorge Alberto Barón Cárdenas

Universidad de Córdobas
Monterı́a - Córdoba

4 de febrero de 2019

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 1 / 27

Tabla de Contenido

1 Distribuciones Muestrales
Conceptos Básicos
Distribución muestral de la media
Teorema del lı́mite central
Distribución muestral de la proporción
Referencias

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 2 / 27

 Distribuciones Muestrales Conceptos Básicos

Conceptos Básicos

Población:
Es el conjunto formado por todos los individuos o elementos, so-
bre los cuales se pretende estudiar una o más caracterı́sticas que
son de interés par el investigador. Ejemplo: Los habitantes de un
paı́s, los estudiantes de un colegio, establecimientos comerciales de
una ciudad o el conjunto de todas las piezas fabricadas por una
máquina.

Muestra
Es una parte o subconjunto de la población, seleccionada con el fin
de describir o inferir lo que ocurre en la población.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 3 / 27

 Distribuciones Muestrales Conceptos Básicos

Conceptos Básicos
Parámetro:
Es una medida descriptiva de la población. Por ejemplo:
La media (µ)
La varianza (σ 2 )
La proporción (π)

Estadı́stico
Valor que describe una muestra y sirve como estimación de un
parámetro de la población correspondiente.


La media X̄
La varianza (S 2 )
La proporción (p)
Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 4 / 27
 Distribuciones Muestrales Conceptos Básicos

Conceptos Básicos

Muestreo:
Proceso por medio del cual se seleccionan muestras. Se utiliza cuan-
do no es posible contar o medir todos los elementos de la población
objeto de estudio.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 5 / 27

 Distribuciones Muestrales Conceptos Básicos

Conceptos Básicos
Tipos de Muestreo
Existen dos métodos para seleccionar muestras de poblaciones:
1 Muestreo no aleatorio o de juicio: Se emplea el conocimiento
y la opinión personal para identificar aquellos elementos de la
población que deben incluirse en la muestra.
2 Muestreo aleatorio o de probabilidad: En el cual todos los
elementos de la población tienen la oportunidad de ser
escogidos para la muestra. Dentro de este tipo de muestreo se
encuentran:
Muestreo aleatorio simple.
Muestreo sistemático.
Muestreo estratificado.
Muestreo de conglemerado.
Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 6 / 27
 Distribuciones Muestrales Conceptos Básicos

Distribuciones Muestrales

Se llama distribución muestral a la distribución de probabilidad

de un estadı́stico. Es una lista de todos los valores posibles de un
estadı́stico y la probabilidad asociada a cada valor.
La distribución muestral de un estadı́stico depende del tamaño de
la población, del tamaño de las muestras y del método de selección
de éstas.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 7 / 27

 Distribuciones Muestrales Distribución muestral de la media

Distribución muestral de la media

La distribución muestral de X̄ con tamaño de muestra n es la dis-

tribución que resulta cuando un experimento se lleva a cabo una y
otra vez (siempre con tamaño de muestra n) y resultan los diversos
valores de X̄.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 8 / 27

 Distribuciones Muestrales Distribución muestral de la media

Distribución muestral de la media

Ejemplo:
Por cuestiones prácticas y con el propósito de ilustrar el concepto
de distribuciones de muestreo, supongamos que se cuenta con una
población de tamaño 5, de la cual se desea seleccionar una muestra
aleatoria de tamaño 3, mediante un diseño de muestreo aleatorio
simple sin reemplazo. En donde una de las caracterı́sticas de interés
(variable) de los individuos es X. Obtengamos la distribución de X̄
si se cuenta con la siguiente información.
N = 5, n = 3, U = {1, 2, 3, 4, 5} , X = {70, 60, 80, 70, 90}

Luego, el número de posibles muestras que se pueden seleccionar

de tamaño n, de una población de tamaño N , (bajo las condiciones
planteadas) esta dado por:
N 5 1



n = 3 = 10, ası́ P (si ) = 10
Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 9 / 27
 Distribuciones Muestrales Distribución muestral de la media

Distribución muestral de la media

Luego:
i si Xs i x̄
1 {1, 2, 3} {70, 60, 80} 70
2 {1, 2, 4} {70, 60, 70} 66.67
3 {1, 2, 5} {70, 60, 90} 73.33
4 {1, 3, 4} {70, 80, 70} 73.33
5 {1, 3, 5} {70, 80, 90} 80
6 {1, 4, 5} {70, 70, 90} 76.67
7 {2, 3, 4} {60, 80, 70} 70
8 {2, 3, 5} {60, 80, 90} 76.67
9 {2, 4, 5} {60, 70, 90} 73.33
10 {3, 4, 5} {80, 70, 90} 80

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 10 / 27

 Distribuciones Muestrales Distribución muestral de la media

Distribución muestral de la media

Por consiguiente la función de densidad de probabilidad de X̄ está

dada por:

X̄ 66.67 70 73.33 76.67 80

f (x̄) 0.1 0.2 0.3 0.2 0.2

La función de distribución acumulada de X̄ es:

X̄ 66.67 70 73.33 76.67 80
F (x̄) 0.1 0.3 0.6 0.8 1

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 11 / 27

 Distribuciones Muestrales Distribución muestral de la media

Distribución muestral de la media

Caso especial: (Población normal)

Supongamos que una muestra aleatoria de tamaño n se toma de
una población normal con media µ y varianza σ 2 , entonces X̄ tiene
2
distribución normal con media µ y varianza σn

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 12 / 27

 Distribuciones Muestrales Distribución muestral de la media

Ejemplo 1

Un estudio reciente de un organismo de vigilancia ambiental deter-

minó que la cantidad de contaminantes en los lagos de Minnesota
(en partes por millón) tiene una distribución normal con media de
64 ppm y varianza de 70.6. Suponga que se seleccionan al azar una
muestras de 35 lagos. Encuentre la probabilidad de que el promedio
muestral de la cantidad de contaminantes sea
a Mayor que 67 ppm.
b Entre 64 y 68 ppm.
c Menos de 60 ppm.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 13 / 27

 Distribuciones Muestrales Distribución muestral de la media

Ejemplo 1
Solución:
Definamos a X: cantidad de contaminantes en los lagos de Minne-
sota (en partes por millón).
Se tiene que:
2
X ∼ N (µX = 64, σX = 70,6), n = 35

Luego:
2
2 σX 70,6
µX̄ = µX = 64, σX̄ = = = 2,02
n 35
Es decir:
2


X̄ ∼ N µX̄ = 64, σX̄ = 2,02

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 14 / 27

 Distribuciones Muestrales Distribución muestral de la media

Ejemplo 1

Asi:
a)



P X̄ > 67 = 1 − P X̄ ≤ 67
 
X̄ − µX̄ 67 − 64
=1−P ≤ √
σX̄ 2,02
= 1 − P (Z ≤ 2,11)
= 1 − 0,9826 = 0,0174 (1,74 %)

Es decir, que la probabilidad de que la cantidad promedio de con-

taminantes sea mayor a 67 ppm, en una muestra de tamaño 35, es
del 1.74 %.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 15 / 27

 Distribuciones Muestrales Distribución muestral de la media

Ejemplo 1

b)




P 64 < X̄ < 68 = P X̄ < 68 − P X̄ < 64
  
X̄ − µX̄ 68 − 64 X̄ − µX̄ 64 −
=P < √ −P ≤ √
σX̄ 2,02 σX̄ 2,0
= P (Z < 2,81) − P (Z ≤ 0)
= 0,9975 − 0,5
= 0,4975 (49,75 %)

Es decir, que la probabilidad de que la cantidad promedio de con-

taminantes se encuentre entre 64 y 68 ppm, en una muestra de
tamaño 35, es del 49.75 %.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 16 / 27

 Distribuciones Muestrales Distribución muestral de la media

Ejemplo 2

Una empresa de material eléctrico fabrica bombillas de luz que tie-

nen una duración que distribuye aproximadamente en forma nor-
mal, con una media de 800 horas y desviación estándar de 40 horas.
Encuentre la probabilidad de que una muestra aleatoria de 16 bom-
billos tengan una vida promedio de menos de 775 horas.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 17 / 27

 Distribuciones Muestrales Distribución muestral de la media

Ejemplo 2

La distribución muestral de X̄ será aproximadamente normal, con:

σx̄ 40
µx̄ = 800 y √ = √ = 10, luego
n 16
 

X̄ − µx̄ 775 − 800
P X̄ < 775 = P √ <
σx̄ / n 10
= P (Z < −2,5) = 0,0062 (0,62 %)

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 18 / 27

 Distribuciones Muestrales Teorema del lı́mite central

Teorema del lı́mite central

Si X̄ es la media de una muestra aleatoria de tamaño n de una

población con media µ y varaianza σ 2 , entonces:
X̄−µ
Z= √
σ/ n
∼ N (0, 1)

Siempre que n → ∞.
Nota:
La aproximación a la distribución normal para X̄, por lo general,
será buena si n ≥ 30.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 19 / 27

 Distribuciones Muestrales Teorema del lı́mite central

Ejemplo

Calvin Ensor, presidente de la General Telephone Corp., está mo-

lesto por el número de teléfonos producidos por su empresa que
tienen auriculares defectuosos. En promedio, 110 teléfonos al dı́a
son devueltos por este problema, con una desviación estándar de
64. El señor Ensor ha decidido que ordenará la cancelación del pro-
ceso a menos que pueda estar 80 % seguro de que en promedio, no
se devolverán más de 120 teléfonos al dı́a durante los siguientes 48
dı́as. ¿Terminará ordenando la cancelación del proceso?

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 20 / 27

 Distribuciones Muestrales Teorema del lı́mite central

Ejemplo
Solución:
Se tiene que:

µ = 110, σ = 64, n = 48, P X̄ ≤ 120 =?
Luego:

 

X̄ − µ 120 − 110
P X̄ ≤ 120 = P √ ≤ √
σ/ n 64/ 48
 
10
=P Z≤ = P (Z ≤ 1,08)
9,24
= 0,8599 (85,99 %)

Por consiguiente, la probabilidad de encontrar en promedio en los

45 dı́as siguientes menos de 120 teléfonos devueltos, es del 85.99 %,
por lo tanto el señor Ensor no ordenara la cancelación del proceso.
Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 21 / 27
 Distribuciones Muestrales Distribución muestral de la proporción

Distribución muestral de la proporción

Si π representa la proporción de elementos en una población con

cierta caracterı́stica de interés, es decir, la proporción de “éxitos”,
donde “éxito” corresponde a tener la caracterı́stica.
Si sacamos muestras aleatorias simples de tamaño n de la pobla-
ción donde la proporción de “éxitos” es π , entonces la distribución
muestral de la proporción muestral p tiene las siguientes propieda-
des:
E(p) = π
π(1−π)
V ar(p) = n

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 22 / 27

 Distribuciones Muestrales Distribución muestral de la proporción

Distribución muestral de la proporción

Si n es “suficientemente” grande, la distribución de la

proporción muestral es aproximadamente Normal:
 
p ∼ N π, π(1−π)
n

Cuando nπ > 5 y n(1 − π) > 5.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 23 / 27

 Distribuciones Muestrales Distribución muestral de la proporción

Ejemplo:

Según reportes del centro nacional para estadı́sticas de salud, al-

rededor del 20 % de la población masculina adulta de los Estados
Unidos es obesa. Se elige al azar una muestra de 150 hombres adul-
tos en los Estados Unidos. ¿Cuál es la probabilidad de que:
a La proporción de obesos encontrada sea mayor al 17 % ?
b Haya más de 22 pero menos de 35 obesos?
c Haya por lo menos un 25 % de obesos en la muestra?

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 24 / 27

 Distribuciones Muestrales Distribución muestral de la proporción

Ejemplo:
Solución:
Se tiene que:

π = 0,2, n = 150

nπ = 150 × 0,2 = 30 > 5 n(1 − π) = 150 × 0,8 = 120 > 5

Luego:

P (p > 0,17) = 1 − P (p < 0,17)

 
p−π 0,17 − 0,2 
= 1 − P q ≤q
π(1−π) (0,2)(1−0,2)
n 150

= 1 − P (Z ≤ −0,92) = 1 − 0,1788 = 0,8212

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 25 / 27
 Distribuciones Muestrales Distribución muestral de la proporción

Ejemplo:

b)
 
22 X 35
P (22 < X < 35) = P < <
150 150 150
= P (0,1467 < p < 0,2333)
 
0,1467 − 0,2 p−π 0,2333 − 0,2 
= P q <q < q
0,2×(1−0,2) π(1−π) 0,2×(1−0,2)
150 n 150

= P (−1,63 < Z < 1,02)

= P (Z < 1,02) − P (Z < −1,63)
= 0,8461 − 0,0516 = 0,7945

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 26 / 27

 Bibliografı́a

Referencias I

Montgómery, D. (2003). Probabilidad y Estadı́stica aplicadas a la

Ingenierı́a. EDITORIAL LIMUSA.
RONALD E. WALPOLE, R. (Novena edición, 2012). Probabilidad y
estadı́stica para ingenierı́a y ciencias. PEARSON EDUCACIÓN,
México.
Webster, A. (2000). Estadı́stica aplicada a los negocios y la eco-
nomı́a. Bradley University.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA INFERENCIAL 27 / 27