Está en la página 1de 28

Estadística Inferencial

TEMA 1 – DISTRIBUCIONES FUNDAMENTALES DE MUESTREO


ANTECEDENTES DE LA ASIGNATURA
 La principal aplicación de la asignatura es para procesos de manufactura
estandarizados, esto es que se refiere a que siguen un comportamiento de
una distribución normal, que tiene como parámetros una media de tendencia
central µ y una tendencia de dispersión σ.

 En probabilidad nos preguntaban cuál es la probabilidad de que la estatura


de una persona sea mayor que 170 cm (por ejemplo) cuando la media de la
población es igual a 167 cm y la desviación igual a 3 cm. Esto lo hallábamos
de la siguiente manera: Convertíamos la variable X a la variable Z y
localizábamos su valor en las tablas.

Ahora ya no vamos a trabajar con las


distribuciones poblacionales sino con
distribuciones muestrales.
1.1 INTRODUCCION A LA ESTADISTICA
INFERENCIAL
 ESTADÍSTICA MATEMÁTICA O INFERENCIAL Cuando queremos estudiar un
fenómeno aleatorio (población), lo más habitual es que no conozcamos el
modelo teórico del mismo, Pero seguramente podremos observarlo, tomar
una muestra y describirla.
 Utilizando la información dada por una pequeña parte de la población (la
muestra disponible) ¿se puede inferir el comportamiento de toda?.

 La Estadística Inferencial permite dar este paso validando o refutando las


conjeturas de la Estadística Descriptiva:
 Estimar parámetros de ese modelo. (INTERVALO DE CONFIANZA)
 Validar un posible modelo para la población. (PRUEBA DE HIPOTESIS)

En Resumen, es comprender el comportamiento de una población, basándonos en


información contenida en una muestra.
1.2 TIPOS DE MUESTREO

 Población y muestra
Población se refiere al conjunto total de elementos que se quieren estudiar
una o más características. Debe estar bien definida. Llamaremos N al número
total de elementos de una población. También se suelen utilizar los términos
individuos, sujetos y casos para referirnos a los elementos de la población.
Cuando se dispone de un censo (listado) de la población, se puede estudiar
a todos ellos.
No siempre es factible estudiar a la totalidad de una población; por lo que se
estudia un subconjunto de los elementos totales; es decir, un muestra.
Llamaremos n al número de los elementos de una muestra.
 El muestreo es un proceso de selección con el fin de obtener una muestra
lo más semejante posible a la población y así obtener estimaciones
precisas. El tamaño es una característica esencial; ya que debe ser lo
suficientemente amplia para representar adecuadamente las
propiedades de la población y reducida para que pueda ser examinada
en la práctica.

 El muestreo probabilístico se conoce la probabilidad asociada a una


muestra y cada elemento de la población tiene una probabilidad
conocida de pertenecer a la muestra. El no probabilístico se desconoce, o
no se tiene en cuenta, la probabilidad asociada a cada muestra y se
selecciona la que más le parezca representativa al investigador.
 El muestreo aleatorio simple: por el cual se garantiza que cada elemento
de la población tenga la misma probabilidad de formar parte de la
muestra. Primero se asigna un número a cada elemento y después
mediante algún medio (sorteo, papeletas,...) se elijen tantos elementos
como sea necesario para la muestra.

 El muestreo aleatorio sistemático: cuando los elementos están ordenados


o pueden ordenarse se utiliza el muestreo aleatorio sistemático. Se
selecciona al azar entre los que ocupan los lugares . Ejemplo: N = 100; n =
5; 100/5= 20; escogeríamos los elementos situados en las posiciones 20. El
riesgo de este muestreo es la falta de representación; que se pudiese dar,
del total de los elementos.
 El muestreo aleatorio estratificado: Cuando topamos con una población
heterogénea, utilizamos el muestreo aleatorio estratificado. Se emplea
cuando disponemos de información suficiente sobre alguna característica
y podemos elegir una muestra en función del número de elementos según
estas características o estratos.

 El muestreo aleatorio por conglomerados: Ante poblaciones desordenadas


y conglomeradas en grupos, se emplea el muestreo aleatorio por
conglomerados; donde se van seleccionando de todos los grupos,
subgrupos, clases, … y finalmente de los elementos restantes la muestra.
1.3 TEOREMA DEL LIMITE CENTRAL
1.4 DISTRIBUCIONES MUESTRALES
 DISTRIBUCION MUESTRAL DE MEDIAS

*VER DIAPOSITIVA
1.3 TEOREMA DEL
LIMITE CENTRAL
*
TABLA 1: DISTRIBUCIÓN NORMAL

0 Z
Ejemplo:
 DISTRIBUCION MUESTRAL DE MEDIAS CON VARIANZA DESCONOCIDA

se analizó la utilidad del teorema del límite central. Sus aplicaciones giran en
torno a las inferencias sobre una media de la población o a la diferencia
entre dos medias de población. En este contexto es evidente la utilidad de
utilizar el teorema del límite central y la distribución normal. Sin embargo, se
supuso que se conoce la desviación estándar de la población. Esta
suposición quizá sea razonable en situaciones en las que el ingeniero está
muy familiarizado con el sistema o proceso. Sin embargo, en muchos
escenarios experimentales el conocimiento de σ no es ciertamente más
razonable que el conocimiento de la media de la población μ. A menudo, de
hecho, una estimación de σ debe ser proporcionada por la misma
información muestral que produce el promedio muestral ¯x. Como resultado,
un estadístico natural a considerar para tratar con las inferencias sobre μ es
Si σ es desconocida: Es decir que para n (grande) > 30, resulta
-Cuando n ∞ indistinto utilizar t ó Ζ, es por esta razón
Ѕ σ que la distribución t (student) se debe
Por lo tanto t Ζ utilizar cuando n < 30 y σ es desconocida
TABLA 2: DISTRIBUCIÓN t DE STUDENT

0
Ejemplo:
 DISTRIBUCION MUESTRAL PARA DIFERENCIA DE MEDIAS
 DISTRIBUCION MUESTRAL PARA DIFERENCIA DE MEDIAS CON VARIANZAS
DESCONOCIDAS PERO IGUALES

Si s
 DISTRIBUCION MUESTRAL DE PROPORCIONES
 DISTRIBUCION MUESTRAL DE VARIANZAS
TABLA 3: DISTRIBUCIÓN 𝒳 2
Ejemplo:
 DISTRIBUCION MUESTRAL DE RELACION DE VARIANZAS
TABLA 4: DISTRIBUCIÓN F DE FISHER
Ejemplo:
Si dos muestras aleatorias independientes de tamaño n1 = 7 y n2 = 13 se
toman de una población normal, ¿cuál es la probabilidad de que la
varianza de la primera muestra será al menos tres veces más grande que la
varianza de la segunda muestra con varianzas poblacionales iguales?

3𝑆22
𝑆12 = 3𝑆22 F= =3
𝑆22

De la tabla de la distribución de Fisher se encuentra que F0.05,6,12 = 3.00 para


ν1 = 7 − 1 = 6 y ν2 = 13 − 1 = 12; por consiguiente, la probabilidad deseada
es 0.05.
Bibliografía

 http://horarioscentros.uned.es/archivos_publicos/qdocente_planes/103710
9/tema9muestreoydistribucionmuestraldeunestadistico1.pdf

 Walpole R; Myers R; Myers S; Ye K. Probabilidad y estadística para


ingeniería y ciencias. 9na ed. Editorial Pearson.

 Hines W; Montgomery D. Probabilidad y estadística para ingeniería y


administración. 3ra ed. Editorial Continental.

 Irwin R. Miller/ John E. Freund / Richard Johnson. Probabilidad y estadística


para ingenieros. 4ta ed. Editorial Prentice Hall