Estadística II

(Material - Unidad I)

DISTRIBUCIONES DE MUESTREO.

Escuela de Administración y Contaduría Pública.

Facultad De Ciencias Gerenciales, Económicas y Administrativas.
Pontificia Universidad Católica Santa Rosa

Tercer Periodo

Econ. Hirvinds Raphael Lopez Gomez

Julio de 2020
 Distribuciones de Muestreo

El estudio de determinadas características de una población se efectúa a través de

diversas muestras que pueden extraerse de ella.
El muestreo puede hacerse con o sin reposición, y la población de partida puede ser
infinita o finita. Una población finita en la que se efectúa muestreo con reposición puede
considerarse infinita teóricamente. También, a efectos prácticos, una población muy grande
puede considerarse como infinita. En todo nuestro estudio vamos a limitarnos a una
población de partida infinita o a muestreo con reposición.
Consideremos todas las posibles muestras de tamaño n en una población. Para cada
muestra podemos calcular un estadístico (media, desviación típica, proporción...) que
variará de una a otra. Así obtenemos una distribución del estadístico que se llama
distribución muestral.
Las dos medidas fundamentales de esta distribución son la media y la desviación
típica, también denominada error típico.
Hay que hacer notar que si el tamaño de la muestra es lo suficientemente grande las
distribuciones muestrales son normales y en esto se basarán todos los resultados que
alcancemos.

Distribución de la media muestral, esperanza matemática y varianza de la media

muestral.
Cada muestra de tamaño n que podemos extraer de una población proporciona una
media. Si consideramos cada una de estas medias como valores de una variable aleatoria
podemos estudiar su distribución que llamaremos distribución muestral de medias.
Si tenemos una población normal N (µ, ơ) y extraemos de ella muestras de tamaño
n, la distribución muestral de medias sigue también una distribución normal
Si la población no sigue una distribución normal, pero n>30, aplicando el llamado Teorema
central del límite la distribución muestral de medias se aproxima también a la normal
anterior.

https://www.youtube.com/watch?v=ZeYgk7boTsk

https://www.youtube.com/watch?v=70n-MSUxsUA

Distribución de la varianza muestral.

https://www.youtube.com/watch?v=i28AljlTC6s

Ley de los grandes números, teorema del límite central.

Se considera el primer teorema fundamental de la teoría de la probabilidad.
Básicamente el teorema establece que la frecuencia relativa de los resultados de un
cierto experimento aleatorio, tienden a estabilizarse en cierto número, que es precisamente
la probabilidad, cuando el experimento se realiza muchas veces.
Una demostración teórica del teorema es laboriosa, por lo que no tiene sentido
exponerla en esta página. Si alguien está interesado en una demostración tanto de este
teorema cómo del Teorema Central del Límite puede mirar en: que es un libro de
introducción a la probabilidad, disponible en línea, de forma totalmente gratuita. El único
inconveniente es que está en inglés.
Aquí nos conformaremos con simular un experimento aleatorio, que nos aproxime
de una manera intuitiva a los resultados que establece el teorema.
El experimento que vamos a simular es el de dar un golpe a una bola de billar
situada en la mesa de juego, en el sentido que indica la flecha, y medir la distancia desde el
extremo izquierdo de la mesa al punto en el que la bola se detiene.
 Si la mesa, tiene 1 metro de longitud, el resultado del experimento, puede tomar
cualquier valor comprendido entre cero y uno.
Sabemos que el espacio muestral que resulta de este experimento es un espacio
muestral continuo. Para simplificar la simulación, podemos considerar la longitud de la
mesa de billar, dividida en 10 partes iguales.
Consideraremos que el resultado del experimento es que la bola se detenga en
alguna de las 10 partes. En este caso los posibles resultados son 10 y como todos los
resultados tienen la misma posibilidad, estamos ante un espacio de probabilidad discreto y
equiprobable.
La simulación consiste en que el ordenador genere aleatoriamente un número
comprendido entre 0 y 1, que representará la distancia a la que se detiene la bola de billar.
La probabilidad de que este número caiga en el primer intervalo es 1/10, lo mismo en cada
uno de los intervalos restantes.
El experimento va a consistir en repetir 10 veces el golpe a la bola.
Sobre un sistema de referencia, colocamos, sobre el eje XX, los 10 intervalos en que
hemos dividido la longitud de la mesa de billar, y sobre el eje YY las frecuencias relativas
de cada uno de estos intervalos, veremos cómo las frecuencias relativas, varían de una
ejecución del experimento a otra.
Pero si aumentamos el número de veces que golpeamos la bola a 20, 30 y así
sucesivamente, observaremos que las frecuencias relativas de cada intervalo tienden a
estabilizarse en torno a 0,1, que es la probabilidad que asignamos a que la bola se detenga
en uno de los intervalos.
 Este es el resultado que demuestra el teorema conocido cómo: Ley de los Grandes
Números

Teorema Central del Límite: Es el segundo teorema fundamental de la teoría de la

probabilidad. El Teorema Central del Límite establece lo que pasa cuando tenemos la suma
de un gran número de variables aleatorias independientes.
Por ejemplo, si en el experimento anterior en lugar de considerar una bola,
consideramos 10 bolas y el experimento consiste en calcular la media de las distancias a la
que se detiene cada una de las bolas.

Como hemos visto, la distribución de probabilidades cuando el experimento se

realiza sobre una bola es uniforme; las probabilidades son las mismas para cada resultado.
Si en lugar de una bola consideramos varias y en lugar de las distancias individuales
consideramos la media, aparecen otras distribuciones.
Si aumentamos el número de bolas con que realizamos el experimento por encima
de 30. La distribución de las medias es muy aproximadamente una Distribución Normal.
Este es el resultado que establece el Teorema Central del Límite.

https://www.youtube.com/watch?v=OCIr9i4Afq4

https://www.youtube.com/watch?v=v9sII0JsXIc
 https://www.youtube.com/watch?v=29z2G6OUa68

https://www.youtube.com/watch?v=1Kc9z6afmYE

https://www.youtube.com/watch?v=46DgBP9VwtE

https://www.youtube.com/watch?v=z2V1LX8tK7U

Distribuciones: T de studen, chi-cuadrado, F de Snedecord.

Existen una serie de distribuciones especiales que resultan de especial interés en la
utilización de las herramientas de inferencia estadística.
Dichas distribuciones son :
• Distribución Ji al cuadrado
• Distribución t de Student
• Distribución F de Fisher-Snedecor
La distribución Ji al cuadrado con n grados de libertad se corresponde con la
distribución de la suma de los cuadrados de n variables aleatorias independientes que
siguen modelos normales con media 0 y desviación típica 1.
La distribución t de Student con n grados de libertad se corresponde con la
distribución del cociente de una variable aleatoria Normal con media 0 y desviación típica
1, respecto a la raíz cuadrada de una variable aleatoria Ji al cuadrado con n grados de
libertad dividida por n. La distribución Normal y Ji al cuadrado que intervienen en la
definición deben ser independientes.
La distribución F de Fisher-Snedecor con n y m grados de libertad se corresponde al
cociente de una Ji al cuadrado con n grados de libertad dividida por n respecto una Ji al
cuadrado con m grados de libertad dividida por m.
https://www.youtube.com/watch?v=cnrpYAsM9kI

https://www.youtube.com/watch?v=OCBBl8sZhuo

https://www.youtube.com/watch?v=hFYBrBmW3Jc

https://www.youtube.com/watch?v=OCBBl8sZhuo

https://www.youtube.com/watch?v=KO5T_y2tUGg

https://www.youtube.com/watch?v=4uzowtesHds