UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE CIENCIAS MATEMATICAS Y

FISICAS

CARRERA: SOFTWARE

DOCENTE: ING. ALONSO ANGUIZACA JOSE LUIS

CURSO: ESTADÍSTICA II 4 – 5

TEMA:
Tarea # 9: Analizar videos sobre conceptos de distribución
muestral

INTEGRANTES:

- Brayan Fabian Morales Soledispa

- José Luis Sellan Alvarado

- Leonardo Israel Sellan Fajardo

- Jazmín Elena Velasco Macías

- Kevin Michael Tamayo Flores

Vídeo 1:

Teorema del límite Central

En la media muestral:
1. Si la distribución de los datos poblacionales es normal, la distribución de las medias
muestrales (𝑥̅ ), será normal, sin importar que la muestra sea grande o pequeña.
2. Si la distribución de los datos poblacionales no es normal, la distribución de las medias
muestrales (𝑥̅ ), será normal, sólo en muestras grandes (n≥30).

En las proporciones muestrales:

1. La distribución de proporción de una muestra aleatorias simple de tamaño “n”, se
distribuye normalmente a medida el tamaño de muestra aumenta lo suficiente,
siendo mayor de 30 observaciones.

Enunciado del T.L.C.

“Cuando se seleccionan muestras aleatorias simples de tamaño n de una
población, la distribución muestral de la media muestral puede aproximarse
mediante una distribución normal a medida que el tamaño de muestra se hace
grande”

Lo ideal es tomar muestras superiores a las 30 observaciones

Vídeo 2:
Distribuciones en el muestreo:

Una máquina llenadora de bolsas de malla de naranja, de las que se usan en los
almacenes de confección de esta fruta, se regula para obtener un peso de 2000
gramos.

Debido a una serie de causas de variabilidad

- Variación en el calibre de las frutas
- Imprecisión en las pesadas automáticas
- Etc.

¡es imposible obtener constantemente bolsas que pesen exactamente 200

gramos!

• El peso obtenido es realmente una variable aleatoria, definida sobre la

población de todas las bolsas que se confeccionan.
• Se considera que la máquina esta bien regulada si la media de dicha
variable aleatoria es 2000.
• Para controlar si esto es así se ha tomado al azar una muestra de 15
bolsas, cuyos pesos son:
1989 2015 1962 2013 1983
1989 1992 2011 1958 2023
1980 1977 1994 2017 2001

La media muestral ha resultado igual a 1993.6, y es, por tanto, diferente

de 2000
¿Quiere ello decir que la máquina llenadora se ha desajustado y que, por
tanto, hay que detener la producción y proceder a reajustar la máquina?
¡No necesariamente!

La diferencia entre 1993.6 y 2000 puede deberse al azar del muestreo, de

hecho, nunca saldrá exactamente igual a 2000.
 Necesitamos algún procedimiento que no permita obtener conclusiones
sobre el valor de m en la población a partir de la información que hemos
obtenido en la muestra -> Inferencia estadística
Hasta que punto la media (𝑥̅ ) y la desviación típica (s) de una muestra
puede diferir de la media (m) y la desviación típica (𝜎) de la población,
respectivamente.

• Cualquier característica muestral es una variable aleatoria:

o Tendrá sus parámetros (centralización, dispersión, …)
o Seguirá una distribución -> población original

• Estadístico: Cualquier función de los valores muestrales

• Cualquier estadístico es una variable aleatoria:

o Tendrá sus parámetros (centralización, dispersión, …)
o Seguirá una distribución ->
▪ Distribución población original
▪ Tamaño de la muestra (N)

• Base inferencia estadística: conocimiento de las relaciones que liga la

distribución de los estadísticos muestrales con
o La distribución de la población
o Características de la población

Video 3:

Distribuciones en el muestreo. Muestreo de poblaciones normales

Si la muestra proviene de una población normal

unidimensional entonces se tiene:

1. tiene una distribución .

2. tiene una distribución .

3. La media y la varianza muestral son independientes.
Si tenemos dos poblaciones, ambas normales, y nos interesa la diferencia poblacional,
es evidente que el estadístico de interés sea la diferencia muestral.

Así, si la m.a.s., , proviene de una y la muestra de

una , admitiendo que ambas muestras son independientes entre sí., la
primera de tamaño n y la segunda con m variables, se tiene que

es decir, que esta diferencia de dos muestras es una combinación lineal

de m+n variables aleatorias normales independientes, siendo, por tanto, su

distribución también normal, de media y

varianza .
Es decir,

Un caso particular importante se produce cuando ambas muestras las extraemos

de la misma población. Así, se tendrá que las medias y las varianzas coinciden,
es decir que y que , por tanto
Video 4:

Distribución muestral de la media

Si tenemos una muestra aleatoria de una población N(m,s ), se sabe (Teorema del
límite central) que la fdp de la media muestral es también normal con media m y
varianza s2/n. Esto es exacto para poblaciones normales y aproximado (buena

aproximación con n>30) para poblaciones cualesquiera. Es decir es el error

típico, o error estándar de la media.
¿Cómo usamos esto en nuestro problema de estimación?
1º problema: No hay tablas para cualquier normal, sólo para la normal m=0 y s=1 (la
llamada z); pero haciendo la transformación (llamada tipificación)

Estadísticos Un estadístico es una función de una muestra y por tanto un v.a. Algunos
estadísticos de uso común son:

Si la población se distribuye N[m ;s ] entonces

en efecto si y dado que siendo independientes

pues realizamos m.a.s. y en aplicación del teorema fundamental de las distribuciones
normales

obtendremos
Población formada por todas las
Ejemplo: Distribución muestral de la media muestras posibles de tamaño n U
variable aleatoria media muestral
(valores de los estadísticos:
medias de las muestras)
Población X variable aleatoria

Naturalmente, las medias

diferirán, en general, de una
muestra a otra.

Muestra

Ejemplo simple de simulación del proceso de generación de una Distribución Muestral de la

Media (continuación