Distribuciones Muestrales

Una población es el conjunto de todas las

observaciones posibles que puede tomar una v.a. X.

Según esta definición la distribución de la población es

la distribución de la v.a. X y la población será discreta o
continua según lo sea X.

En muchos problemas es imposible o innecesario tener

todos los datos de la población.
Una parte o subconjunto de la población se llama
muestra.

POBLACION

MUESTRA
Los datos de sólo una parte de la población pueden dar
la información necesaria para generalizar acerca de los
parámetros de la población que por lo general son
desconocidos.
Definición:

Sea X una 2v.a. con función de probabilidad f(x) con media m y

varianza s

Una Muestra Aleatoria de X con tamaño n, es un conjunto de

v.a. que cumplen con las siguientes condiciones:

• Cada Xi (i= 1, … , n) tiene la misma distribución de X

Fxi  X   Fx  X 

mxi  E  X i   E  X   mx s x2i  V  X i   V  X   s x2
•Las v.a. Xi son independientes.
En el caso Discreto:
pX1, X2 ,..., Xn  X1, X 2 ,..., X n   pX1  X1  p X2  X 2   ...  pX n  X n 
 pX1  X1  p X2  X 2   ...  pX n  X n 

En el caso Continuo:
f X1, X 2 ,..., Xn  X1, X 2 ,..., X n   f X1  X1   f X2  X 2   ...  f X n  X n 
 f X1  X1  f X2  X 2   ...  f X n  X n 

Observación:

• La definición anterior se cumple cuando proviene de una

población infinita, discreta o continua.
• Dado que son m.a. independientes, la muestra se extrae
con reemplazo de una población finita.
Ejercicio:
Suponga que X se distribuye normal estándar y que X1, X2,
X3, X4 es una m.a. de X. Determinar:
P x  1
2  ?
P x  1
  1 P  x  12 
X  N 0,1 2

 1 P  12  x  12
X  N 0, 1
4 
 1  0  0 
 1 P  2
1
z 2

 1
4
1
4 

 1 P 1  z  1
 1 P z  1  P z  1
 1 0,8413  0,1587
 0, 3174
Ejercicio:
Sea X una v.a. con f.d.p. dada por:

 x 3
 0 x 2
f x  
 4



 0 e.o.c.

De ella se extrae una m.a. de tamaño 32. Obtener:

P  x  1.6  ?

P 1.5  x  1.6 / x  1.6  ?

E(X )  R X
x f ( x )d x
 s 2 
X  N m,
2
2 x4 x5 8 
E(X )  0 4
dx 
20

5
 n 
0

8 8 
X  N  ,
 5 75  32 
2
2 x5 x6 8
E(X 2
)  dx    8 1 
X  N  ,
 5 300 
0 4 24 0
3

Var  X   E  X   E  X 

2

8 8
2
8
Var  X      
3  5  75
  1.6  8 5 

P  x  1.6  P z   P z  0  0.5


 1
300 

P 1.5  x  1.6
P 1.5  x  1.6 / x  1.6 
P  x  1.6
1.5  1.6 

P   z  0
 1
300 

0.5
P 1.73  z  0

0.5
0.5  0.0418
  0.9164
0.5
Ahora veremos las distribuciones de ciertas
funciones de los elementos de una m.a. tales como la
media y varianza muestrales.

n n

x  x  x 
2
i i
X i 1
S2  i 1
n n 1
Cualquier función de los elementos de una m.a. que
no depende de algún parámetro desconocido se
llama “estadístico”.

Los estadísticos son, por lo tanto, v.a.

Los valores observados pueden ser evaluados

después que los valores observados para x1, x2, … ,
xn son conocidos.

Las distribuciones de estas v.a. son conocidas como

distribuciones muestrales.
Teorema:
Si x1, x2, … , xn es una m.a. de una población X que
tiene media m y varianza s 2, entonces x tiene un valor
esperado m y una varianza s 2 n

Teorema:
Si x1, x2, … , xn es una m.a. extraida sin reemplazo de
una población finita X de N elementos, con media m y
varianza s 2 , entonces tiene un valor esperado m y
una varianza 2  
s  N  n 
n  N  1 

El factor [(N-n)/(N-1)] se llama factor de corrección

para poblaciones finitas.
 Distribución de la Media Muestral

Teorema:
Si x1, x2, … , xn es una m.a. de una población X que
tiene media m y varianza s 2 , entonces x tiene una
distribución normal con parámetros m y s n (T.C.L)
2
 Distribución de la Varianza Muestral

Teorema:
Si x1, x2, … , xn es una m.a. de una población X que
2
tiene media m y varianza s , entonces
2
S

  xi  x 
2

S2  i 1
n 1

s , es decir:    s
2 2 2
Tiene un valor esperado igual E S
Dem:  n 
  x  x 2 


 i  1  n 2
E S   E 
2 i 1 
  E   xi  x  

 n  1  n  1  i 1 
 
 
1  n 
2 
 E   xi  2xi x  x 
 2

n  1  i 1 
1  n 2   n   n 
2 
     
E  xi   2  xi x    x 
n  1  i 1   i 1   i 1 
1  n 2  
  
E  xi   2nx  nx 
2 2

n  1  i 1  
1  n 2  
2
  
E  xi   nx 
n  1  i 1  
1  n 
2 
  E  xi   nE  x ...*
2

n  1 i 1 
se sabe: s  V  xi   E  xi   E  xi 
2 2 2
xi

luego: E  xi   s xi  E  xi 
 
2 2 2

E  xi 2   s x2i  m 2

entonces: s  V  x   E  x   E  x 

2 2 2
x

E  x 2   s x2  m 2
s 2
E  x 2   x  m2
n
reemplazando en * :
1  n s2 
2 
E S  
2
 s xi  m   n   m 
2 2  x
n  1 i 1 n 
1 1

n 1
 ns 2
x  n m 2
 s 2
x  n m 2
 
n 1
 ns 2
x  s x
2

1
 n  1 s x2  s x2
n 1
Teorema:
Si x1, x2, … , xn es una m.a. de una población X con
distribución normal X que tiene media m y varianza s 2
entonces:
2
• La media muestral x y la varianza muestral S son
v.a. independientes.
n

  xi  x 
2
• n  1 s 2
i 1

s 2
s2
es una v.a. con distribución chi-cuadrado con n-1
grados de libertad.
 Distribución Chi-cuadrado

Definición:
Sean Z1, Z2, … , Zn v.a independientes distribuidas
normal estándar.

La v.a. X 2  Z12  Z22  ...  Zn2

es una v.a. chi-cuadrado con n-1 grados de libertad.

Z  N 0,1
Z 2  c(1)
2
Z12  Z22  ...  Zn2  c(2n )
Su función de densidad está dada por:

 1


r   x 2
x2 e 0 x 
fc2  x   
 2 2   r 2
r





 0 e.o.c.

Donde representa la función gamma.

E c 2   r
V c2   2r
Uso de la Tabla chi-cuadrado.

• Considere 6 g.l. y determine w1 tal

que el área en color sea 0,975.
Grados de libertad:
Es el número de v.a. independientes que se suman.
También se puede entender como un parámetro
asociado con la distribución de probabilidad. O como
el número de variables que pueden variar libremente.

E c 2   r
V c2   2r