Modelos Probabilísticos de los Procesos

Conferencia # 12 Las distribuciones Muestrales.

Tema: Introducción a la Estadística
Contenido: La distribución Normal como distribución Muestral. Las
distribuciones X2, t , F.

Introducción:
En la primera parte de la asignatura hemos introducido el estudio de la Estadística
partiendo de su relación con la teoría de Probabilidades. Recordemos que en
probabilidades partimos del conocimiento de la distribución que sigue la variable y
estudiamos varias distribuciones Probabilísticas entre ellas:

B, P, H, E, N, log N, Ganma, Uniforme o rectangular, Weibull.

Por el contrario en Estadística se parte del conocimiento de una muestra para

tomar decisiones o inferir sobre la población de la que se ha extraído esa muestra
(razonamiento inductivo). Como nuestras decisiones se toman en base a la
muestra casi siempre, cometemos error de muestreo y por eso decimos que se
toman: bajo estado de Incertidumbre.

¿Con cuales herramientas cuenta el Estadístico para que los riesgos sean
mínimos en su decisión?
Con los Estadígrafos y las Distribuciones Muestrales que comenzaremos a
estudiar en esta conferencia que tiene como objetivo:
1. Conocer el concepto de distribución muestral y su relación con los estadígrafos
2. Caracterizar las distribuciones muestrales
Recordar: Estadígrafos: una fórmula o función que se evalúa con los datos de la
muestra,

Ejemplos:
X1 + X2; si X1 y X2 son la primera y la segunda observación de la muestra de
tamaño n
n

X
i 1
i ; si X i son observaciones de una muestra
n

así mismo: X
i 1
i
S2 
1
  Xi  X i 2
X n 1
n

De manera que, un estadígrafo es una función de una variable aleatoria, por lo

cual es también una V. A y su comportamiento estará regido por una Ley de
Probabilidad o Distribución.

La distribución de un estadígrafo se conoce como distribución Muestral.

(Definición en página 166 Lt EMI).
Las distribuciones Muestrales cumplen todas las propiedades Generales de las
distribuciones estudiadas en teoría de Probabilidades y estudiaremos en este
tema:

Para tomar decisiones basadas en el estadígrafo:

1. La distribución normal  X ó X  Y
2. La distribución X2  S2
3. La distribución t  X ó X  Y
S2x
4. La distribución F 
S2y

1. La distribución Normal como distribución Muestral

Se aplica en diversos casos relacionados con Medias Muestrales.

La distribución Muestral de la media o Distribución de Medias Muestrales es la

distribución de probabilidad de las medias de todas las muestras posibles de
determinado tamaño que se pueden extraer de una población. Se describe
mediante: La media y el error estándar de la media

Distribución de medias Muestrales

En la distribución de todas las medias muestrales y tiene:
 X : Media de la distribución Muestral
 X : desviación Standard del a distribución Muestral (error standard de la media)
Donde:
X  

X 
n
De todo lo anteriormente visto podemos extraer dos conclusiones:
1. La media de la distribución Muestral de la media será igual a la media de la
población () independientemente del tamaño de la muestra
2. Al aumentar el tamaño de la muestra, la distribución muestral de la media se
acerca a la normalidad, cualquiera que sea la forma de la distribución original
 esto es lo que garantiza el Teorema del Límite Central. (T.L.C.)

T.L.C es el teorema más importante de todos en la inferencia Estadística ya que

nos permite hacer inferencias sobre los parámetros de la población sin conocer
nada sobre la forma de la distribución de la población salvo que lo que dice la
muestra extraída de la misma.
Los criterios sobre el tamaño de muestra necesarios son variables. Algunos
autores concuerdan con n 30, otros n 25 y otros incluso que con n = 15 ya
podemos aproximar a la normalidad (Richard Levin – Estadística para
administradores)

Podemos resumir entonces en algunos de los casos más frecuentes:

Población Tamaño de Distribución de la Estadígrafos para
Original Muestra (n) media Muestral decisiones prácticas
respecto a la Media
X ~ N  ; 2   2  X 
Cualquiera X ~ N   ; 
/ n
~ N(0;1)
 n 
X ~ D  ;  2   2
  ;


X 
X ~ N ~ N(0;1)
N ≥ 25  n  / n


X ~ N  X ; X
2
 N


X ~  X  ;
 X2 

X  Y    X  Y 
n   X2  Y2 ~N(0;1)
 X 

  Y2 

Y ~ N  Y ;  Y2  nx y n y
cualesquiera Y ~ N   ;
 Y n 

n X nY
 Y 

  X2  Y2 
X Y ~  XN     ;  
Y
n n 
 X Y 

Ejemplo del caso 3:

Si X y Y son v.a que representan tiempo entre averías de dos compresores de
aire respectivamente, tales que:
X: v.a tiempo entre averías del compresor de aire X (h)
Y: v.a tiempo entre averías del compresor de aire Y (h)

y se conoce que:
X ~ N (300; 12) y Y ~ N (294; 14)
Calcule la probabilidad de que el compresor X supere, en un turno de 8 h, el
tiempo promedio entre averías al compresor Y, si usted dispone de 10 reportes de
averías de cada equipo.
Solución:
  X2 
 
X ~ N  X ;  X  X ~ N (300; 12)
2 
X ~ N X ;   X ~ N  300; 12 
n X   10 

  Y2 
 2

Y ~ N  Y ;  Y  Y ~ N (294; 14) N
Y ~  Y   ;
nY 
  Y ~ N  294; 14 
 10 

  X2  Y2   12 14 
N
X Y ~  X     ;    X  Y ~ N  300  294;  
n X nY 
Y
  10 10 

X  Y ~ N (6; 2.6)

Para el cálculo de la probabilidad es necesario construir el estadígrafo

correspondiente estandarizando a X  Y
  
 
  X  Y     X  Y  8  6 
P    P  Z  1.24   0.1075  10.75%
  X2  Y2 2.6 

 nX nY 
 
Decida Usted:
Es poco probable que el compresor X supere en 8 h (1 turno) el tiempo promedio
entre averías con respecto a Y (poco más del 10 %), lo más probable es que la
diferencia en tiempo sea menor que 8 h (90%).

La distribucion X2 como distribucion muestral:

Si X ~ N   ;  2  ........ Queremos tomar decisiones respecto a σ 2 que es
desconocida

X i
X  i

n 2

(Xi  X ) X i
2
 nX 2
S2  i 1

n 1 n 1
(Pero para decisiones prácticas respecto a σ 2 tenemos que construir un
estadígrafo cuya distribución sea conocida).
El mejor estadígrafo para ello sería obtenido de la siguiente forma:
S 2 (n  1)
2

S 2 ( n  1)
Puede demostrarse que ~ X 2(  )
 2

n-1 Se pierde un grado de libertad o

una variable independiente porque en el
cálculo del estadígrafo interviene el
estadígrafo X también

Calcule la probabilidad de que la varianza obtenida a partir de una muestra de

tamaño 16 extraída de una población con distribución normal sea la mitad o
menos que la varianza de la población original.
X: v.a tiempo entre llegadas.
X ~ N   ; 2  σ2 se desea decidir respecto a la varianza, Ambas desconocidas

n=16

2

P(S2 2 ) =?

Completando el estadígrafo:

S 2 (n  1)  2 ( n  1) 15
P(  )  P( X 2 ;   15  )  P ( X 2 ;   15  7,5)
 2
2 2
2

 1  P( X 2 ;   15  7,5)  1  0,95  0,05

solo existe un 5% de probabilidad de que la varianza estimada sea menor o igual

que la mitad de la verdadera(muy pequeña probabilidad).

La distribución t como distribución muestral.

Sea X ~ N   ;  2  y n(el tamaño de una muestra aleatoria) extraída de la
población descrita.
Supongamos que se desea estimar  pero que  2 es también desconocida.
Para estimar  utilizamos X y ya sabemos que:

2
X ~ N ( , )
n

Pero, si desconocemos  2 no podemos construir un estadígrafo para X del tipo

X 
como los estudiados hasta el momento.
/ n
No obstante, si el tamaño de la muestra ( n ) es lo suficientemente grande
podemos utilizar S2 en lugar de  2 y construir el estadígrafo de X como:

X 
~ N(0;1)
/ n

Si n es menor que 30 hacer la consideración anterior nos conduce a errores

graves.
Entonces, se utiliza en lugar de la distribución normal, la distribución t de student y
se plantea:
X 
~ t(  )   n  1 Grados de libertad
/ n
Estos son los Grados de libertad de la distribución X 2 que da lugar a la t de
student.
 Por lo general se usa t cuando n es menor que 30 por lo cual esta distribución
pertenece al grupo de distribuciones de muestras pequeñas.
Se desea estudiar la longitud en cierto tipo de pieza que se asume v.a.
normalmente distribuida, para comprobar si la longitud media esta comportándose
por encima de lo especificado: 10 ± 3 mm y en ese caso ajustar la maquina que
corta las piezas. Para esto se tomo una m.a.s de 9 piezas obteniéndose una
desviación estándar de 0,2 mm. Decida usted en términos de probabilidad.
X: va longitud de las piezas.
X ~ N  ; 2 

n = 9 menor de 25

S = 0,2

X  0,3(3)
P( ( X 10,3)  P ( s )
0,2 )
n

0,3(3)
P (t ;   8  )  P (t ;   8  4,5)  0,001  1%
0,2

Decisión:
Como es tan pequeña la probabilidad de que sea superado el LSE no vale la
pena ajustar la máquina aún.

También es aplicable esta distribución cuando comparamos las medidas

de 2 poblaciones distribuidas normalmente, no conocemos el valor de
 1 y  y la muestra que tomamos de cada población es menor que 30.
2 2
2

Esto es:

X1 ~ N( 1 ,  1 ) ------ n1 ---- X 1
2

X2 ~ N(  2 ,
2
12
) ------ n2 ---- X 2

Y formamos X 12  X 2 2

2 2
 
X1  X 2
2 2
~ N( 1   2 ; 1  2 )
n1 n2
2 2
1 y 2 son desconocidas pero iguales
Restricción Adicional
Aunque no conocemos el valor que toman: 1 y 2 y podemos estimarlas
2 2

con S2 que considere la información de las dos muestras:

n1 n2 2

2
 ( X 1i  X1 )2   ( X 2i  X )
Sp  i 1 i 1

n1  n2  2
Perdemos dos grados de libertad uno por cada x media calculada
De ahí que al construir el estadígrafo nos quede:

( X 1  X 2 )  ( 1   2 )
1 1 ~ tn1+n2-2 Grados de libertad
Sp 
n1 n2

La distribución F como distribución muestral:

Para comparar las varianzas de dos poblaciones normales.
Esto es:
X1~ N( 1 ,  1 ) ----n1------ X 1 -----S12
2

X2~ N(  , 2 ) ----n2------ X 21 -----S22

2

Estadígrafo:

2
Sx
2
x
2 ~F;  1 ;  2
Sy
2
y

Población Tamaño de Estadígrafos para decisiones

Original Muestra (n) prácticas
X ~ N   ; 2  S2 S 2 ( n  1)
Cualquiera ~ X2;  (n-1)

X ~ D   ; 2
 X X 
~ t;  n-1
N <30 o n<25 s/ n
X ~ N  X ; 2
X  X Y
Sp
 X  Y     X  Y 
1 1 ~t; 

nX nY

Y ~ N Y ;  Y2  nx y ny menor que
25 nx+ny-2
 
X ~ N  X ; X2  2
Sx , S y
2
Sx
2

2
x
~F;  1 ;  2
  nx y ny 2
Y ~ N Y ;  2 Sy
Y cualesquiera que 2
25 y

Orientación para el estudio Independiente:

 Casos de distribución de X Lt EMI pág. (164 – 185)
 Libro: Probabilidades y Estadística para ingenieros Capítulo 6 páginas 187
– 200.

Ejemplos: pág. 176

Pág. 182 – 185
 Auto preparación para la clase práctica.

Resueltos: Libro Problemas Resueltos y propuestos de Luis Guyón.

# 2.1 pág. 27
# 2.15 pág. 33 (B.2)
# 2.24 pág. 37
Propuesto.
# 2.29 pág. 38

Distribuciones X2 , t, F PP(186- 230)

Como auto preparación Ej. 10 p(242 y 243) del autoexamen
Estadígrafos p. 106 de Tablas y resúmenes que deben traer a la clase practica
Bibliografía:
Estadística Matemática I. Ramón Francis y otros. Pag. 186_246