NOMBRE:

Mayerlin Euribiannis

APELLIDO:

González Mateo

PROFESOR:

Heriberto Herasme

MATRICULA:

2-19-6571

SECCIÓN:

IID-640-001

MATERIA:

Estadística Industrial

TEMA:

Distribución de muestras
 Índice
Introducción……………………………………………………………………………………. 3

Distribuciones muestrales………………………………………………………………. 4

Distribución muestral de medias y el teorema del límite central…… 4

Distribuciones muestrales: S 2, t, F ………………………………………………... 7

Gráficas de cantiles y de probabilidad…………………………………………… 8

Conclusión………………………………………………………………………………………. 10

Bibliografía……………………………………………………………………………….... 11
 Introducción
Muchas veces cuando investigamos algo no tenemos una base o conocimiento
de este en si, por lo tanto, el objetivo o propósito de este trabajo de
investigación es que el lector obtenga aquellos conocimientos que son
esenciales para un mejor manejo del tema de la distribución muestral.

La distribución muestral es lo que resulta de considerar todas las muestras

posibles que pueden ser tomadas de una población. Su estudio permite calcular
la probabilidad que se tiene, dada una sola muestra, de acercarse al parámetro
de la población.

En este trabajo conoceremos que es la distribución muestral y algunos de sus

tipos.

También veremos graficas de probabilidad y el teorema del límite central.

 Distribuciones muestrales
En estadística, la distribución muestral es lo que resulta de considerar todas las
muestras posibles que pueden ser tomadas de una población. Su estudio
permite calcular la probabilidad que se tiene, dada una sola muestra, de
acercarse al parámetro de la población. Mediante la distribución muestral se
puede estimar el error para un tamaño de muestra dado.

La distribución de muestreo de una estadística es la distribución de esa

estadística, considerada como una variable aleatoria, cuando se deriva de una
muestra aleatoria de tamaño n. Se puede considerar como la distribución de la
estadística para todas las muestras posibles de la misma población de un
tamaño de muestra dado. La distribución del muestreo depende de la
distribución subyacente de la población, la estadística que se considera, el
procedimiento de muestreo empleado y el tamaño de muestra utilizado. A
menudo existe un considerable interés en si la distribución muestral puede
aproximarse mediante una distribución asintótica, que corresponde al caso
límite ya que el número de muestras aleatorias de tamaño finito, tomadas de
una población infinita y utilizadas para producir la distribución, tiende a infinito.

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 muestral de medias y el teorema del límite central

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, σ) 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.

Cuando se extraen muestras de tamaño mayor a 30 o bien de cualquier tamaño

de una población normal, la distribución muestral de medias tiene un
comportamiento aproximadamente normal, por lo que se puede utilizar la

fórmula de la distribución normal con y, entonces la fórmula

para calcular la probabilidad del comportamiento del estadístico, en este caso la
media de la muestra.

Ejemplo:

Una empresa eléctrica fabrica focos que tienen una duración que se distribuye
aproximadamente en forma normal, con media de 800 horas y desviación
estándar de 40 horas. Encuentre la probabilidad de que una muestra aleatoria
de 16 focos tenga una vida promedio de menos de 775 horas.

Z=775-800 = -2.5
40/√16
Este valor se busca en la tabla de z
P (x £ 775) = P (z £ -2.5) = 0.0062

La interpretación sería que la probabilidad de que la media de la muestra de 16

focos sea menor a 775 horas es de 0.0062.

Teorema del limite central

El teorema del límite central es un teorema fundamental de probabilidad y

estadística. El teorema describe la distribución de la media de una muestra
aleatoria proveniente de una población con varianza finita. Cuando el tamaño
de la muestra es lo suficientemente grande, la distribución de las medias sigue
aproximadamente una distribución normal. El teorema se aplica
independientemente de la forma de la distribución de la población. Muchos
procedimientos estadísticos comunes requieren que los datos sean
aproximadamente normales. El teorema de límite central le permite aplicar
estos procedimientos útiles a poblaciones que son considerablemente no
normales. El tamaño que debe tener la muestra depende de la forma de la
distribución original. Si la distribución de la población es simétrica, un tamaño
de muestra de 5 podría producir una aproximación adecuada. Si la distribución
de la población es considerablemente asimétrica, es necesario un tamaño de
muestra más grande. Por ejemplo, la distribución de la media puede ser
aproximadamente normal si el tamaño de la muestra es mayor que 50. Las
siguientes gráficas muestran ejemplos de cómo la distribución afecta el tamaño
de la muestra que se necesita.

Principales propiedades del teorema central del límite

El teorema central del límite tiene una serie de propiedades de gran utilidad en
el ámbito estadístico y probabilístico. Las principales son:

Si el tamaño de la muestra es suficientemente grande, la distribución de las

medias muestrales seguirá aproximadamente una distribución normal. El TCL
considera una muestra como grande cuando el tamaño de la misma es superior
a 30. Por tanto, si la muestra es superior a 30, la media muestral tendrá una
función de distribución próxima a una normal. Y esto se cumple
independientemente de la forma de la distribución con la que estamos
trabajando.

La media poblacional y la media muestral serán iguales. Es decir, la media de la

distribución de todas las medias muestrales será igual a la media del total de la
población.

La varianza de la distribución de las medias muestrales será σ²/n. Que es la

varianza de la población dividido entre el tamaño de la muestra.
 Distribuciones muestrales: S 2, t, F
Distribución T

La distribución t de Student o distribución t es un modelo teórico utilizado para

aproximar el momento de primer orden de una población normalmente
distribuida cuando el tamaño de la muestra es pequeño y se desconoce la
desviación típica.

En otras palabras, la distribución t es una distribución de probabilidad que

estima el valor de la media de una muestra pequeña extraída de una población
que sigue una distribución normal y de la cual no conocemos su desviación
típica.

Fórmula de la distribución t de Student

Dada una variable aleatoria continua L, decimos que la frecuencia de sus

observaciones puede aproximarse satisfactoriamente a una distribución t con g
grados de libertad tal que:

La variable aleatoria L sigue una distribución t con g grados de libertad.

Distribución F

La distribución F es una distribución continua de muestreo de la relación de dos

variables aleatorias independientes con distribuciones de chi-cuadrada, cada
una dividida entre sus grados de libertad. La distribución F es asimétrica hacia la
derecha y es descrita por los grados de libertad de su numerador (ν1) y
denominador (ν2). Las siguientes gráficas muestran el efecto de los diferentes
valores de grados de libertad en la forma de la distribución.
 ν1 = 1 y ν2 = 1 ν1 = 1 y ν 2 = 9

ν1 = 9 y ν 2 = 1 ν1 = 9 y ν2 = 9

Se utiliza la distribución F cuando un estadístico de prueba sea la relación de dos

variables que tienen una distribución de chi-cuadrada cada una. Por ejemplo,
utilice la distribución F en el análisis de varianza y en pruebas de hipótesis para
determinar si dos varianzas de población son iguales.

Gráficas de cantiles y de probabilidad

El gráfico de probabilidad normal es una técnica gráfica, utilizada para
contrastar la normalidad de un conjunto de datos. Permite comparar la
distribución empírica de una muestra de datos, con la distribución normal. Es un
caso particular de gráfico de probabilidad.

La idea básica consiste en representar, en un mismo gráfico, los datos empíricos

observados, frente a los datos que se obtendrían en una distribución normal
teórica. Si la distribución de la variable es normal, los puntos quedarán cerca de
una línea recta. Es frecuente observar una mayor variabilidad (separación) en
los extremos.
El gráfico de probabilidad normal es un caso especial de gráfico de probabilidad.
 Conclusión
Podemos cumplir diciendo que la importancia de la distribución muestral radica
en que, mediante la aplicación de sus métodos, es posible obtener conclusiones
significativas acerca de toda una población con base en la información que
proporcionan los datos de una sola muestra o un experimento.

Pudimos ver que algunos de los tipos de distribución muestral son el de medias,
el T y el F.

También pudimos ver que el teorema de límite central le permite aplicar estos
procedimientos útiles a poblaciones que son considerablemente no normales. El
tamaño que debe tener la muestra depende de la forma de la distribución
original. Si la distribución de la población es simétrica, un tamaño de muestra de
5 podría producir una aproximación adecuada. Si la distribución de la población
es considerablemente asimétrica, es necesario un tamaño de muestra más
grande.

Estos temas son de gran interés y sobre todo de gran utilidad una vez te pones a
estudiarlos a fondo.
 Bibliografía
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_muestral

https://proyectodescartes.org/uudd/materiales_didacticos/inferencia_estadisti
ca_JS/distrib_muestrales.htm

http://virtual.umng.edu.co/distancia/ecosistema/odin/odin_desktop.php?path=
Li4vb3Zhcy9pbmdlbmllcmlhX2NpdmlsL3Byb2JhYmlsaWRhZF95X2VzdGFkaXN0a
WNhL3VuaWRhZF80Lw%3D%3D&fbclid=IwAR0w5BvEYHLTI9FhGvYNXwDgyoUfr
ubcJS6AR9x9ImKb8la2ygaAtptS7pQ

https://support.minitab.com/es-mx/minitab/19/help-and-how-
to/statistics/basic-statistics/supporting-topics/data-concepts/about-the-central-
limit-theorem/

https://es.wikipedia.org/wiki/Gr%C3%A1fico_de_probabilidad_normal

https://economipedia.com/definiciones/distribucion-t-de-student.html

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/f-
distribution/#:~:text=Puede%20encontrar%20la%20probabilidad%20de,Y%20se
%20aproxima%20a%20X.