Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad 1
Unidad 1
x7 Muestra U1 U2
x2 x20 …. x20
x2
x15 x15
x8 x1,x2,x3,…,xn
x4 x8
x2
x1 x4 x1 xh x4
xj x3 xi x2 x3 Uj
x2 Ui U5 x2
x6 x5 x2 … x5
x6 x2
xi xj
… Resumen de X en la muestra: …
Estadísticos: media, varianza, …
… xi Distribución de X en la muestra:
x1,x2,x3,…,xn X
xi xj xt X
La variabilidad de las medias
viene reflejada en su Xl Xm Xh X
distribución de probabilidad
Distribución de X en la Población
Distribución muestral de U (medias)
Distribuciones Muestrales
•Resumiendo:
•Dada una población y el experimento aleatorio consistente en seleccionar una
muestra de dicha población, se define la variable aleatoria U (estadístico muestral)
como una aplicación que asigna a cada muestra, m, un resumen estadístico
determinado,U(m). Esta nueva variable aleatoria U tiene una distribución de
probabilidad denominada distribución muestral de U.
U:E R
•Utilidad:
Estaremos interesados en conocer su comportamiento probabilístico, porque esto
nos permitirá hacer inferencias acerca del comportamiento de la población.
U=total muestral=t : E R
n
m=(x1, x2, …,xn) U (m) = t = ∑ Xi
i =1
•Se verifica que el estadístico muestral t es también normal con las siguientes media
y desviación típica:
n
t = ∑ Xi → N (nµ , nσ 2 )
i =1
U=media muestral : E R
n
∑ Xi
m=(x1, x2, …,xn) U ( m) = X = i =1
n
•Se verifica que el estadístico muestral media es también normal con las siguientes
media y desviación típica:
n
∑ Xi σ
X= i =1
→ N (µ , )
n n
•Se verifica que el estadístico muestral Ut,v sigue un modelo t de Student con
n-1 grados de libertad
( X − µ)
U t ,υ = → t n −1
S
n
Distribuciones Muestrales
•Casos particulares de distribuciones muestrales:
Sea una población P y X la variable aleatoria observada, cuya distribución es
una Bernoulli:
X=0 con probabilidad q=P(fracaso) y X=1 con probabilidad p=P(éxito)
Se sabe que E(X)=p y V(X)=pq
Estadístico Ut=t=total de éxitos en la muestra
R Observa que esta variable
Ut : E refleja el total de éxitos (1’s)
n en la muestra entre el total de
m=(x1, x2, …,xn) Ut = t = ∑ Xi selecciones n. Es un caso
particular de total muestral t,
i =1
ya visto. Observa que es
también la variable binomial
Ut → B (n, p )
E(Ut)=np
V(Ut)=npq
• Supondremos una población formada por solo N=3 elementos. Por ejemplo 3 niños.
Se observa la variable X=edad. Consideremos la selección con reemplazamiento de
todas las muestras posibles de tamaño n=2.
• Población niños: {A, B, C} Edad: 2, 3 y 4 años respectivamente.
• El espacio muestral formado por todas las muestras posibles
• E={AA, AB, AC, BA, BB, BC, CA, CB, CC}
U=media muestral : E R
n
∑ Xi
m=(x1, x2, …,xn) U ( m) = X = i =1
n
Ejemplo simple de simulación del proceso de generación de una Distribución Muestral
de la Media (continuación)
U=media muestral : E R
2+2
X= =2
(AA) 2
2+3
X= = 2,5
(AB) 2
2+4
(AC) X= =3
2
2+3
(BA) X= = 2,5
2
3+3
(BB) X= =3
2
3+ 4
(BC) X= = 3,5
2
2+4
(CA) X= =3
2
3+ 4
(CB) X= = 3,5
2
4+4
(CC) X= =4
2
Ejemplo simple de simulación del proceso de generación de una Distribución Muestral
de la Media (continuación)
U=media P(U)
2 1/9 X=Edad P(X)
2,5 2/9 2 1/3
3 3/9 3 1/3
3,5 2/9 4 1/3
4 1/9
E(X)=3
Varianza(X)=2/3
Si conociéramos el comportamiento que tienen todos los posibles valores del esta-
dístico muestral que nos interesa (su modelo de probabilidad), podríamos saber
qué probabilidad hay de que el valor de nuestra muestra esté comprendida en un
determinado intervalo.
Ejemplo:
Ejemplo (continuación):
Se sabe que para tamaños de muestra grandes la media muestral se distribuye
según un modelo normal.
∑ Xi σ Sustituyendo X → N (µ ,
3,3
) ≡ N ( µ , 0,4667)
X= i =1
→ N (µ , ) 50
n n
P(| X − µ |) < 1) = P ( µ − 1 ≤ X ≤ µ + 1)
−1 1
= P( ≤Z≤ ) = P(−2,14 ≤ Z ≤ 2,14)
0,4667 0,4667
µ X
1 cm
Ejemplo: Distribución Muestral de la Media
Ejemplo 2
Se sabe que los pesos de los paquetes de cierto artículo en una cadena de
producción se distribuyen normalmente con media 500 gr y desviación típica 10 gr
Se selecciona una muestra de 100 paquetes de la producción y se observa que la
media de éstos es de 530 gr ¿es coherente este resultado con la hipótesis de que
se distribuyen normalmente con media y desviación típica 500 y 10, respectivamente.
10
X → N (500, ) ≡ N (500, 1)
100
530 − 500
P( X ≥ 530) = P ( Z ≥ ) = P ( Z ≥ 30) = 0
1
Ejemplo 3
Se sabe que los pesos de los paquetes de cierto artículo en una cadena de
producción se distribuyen normalmente con media 500 gr y desviación típica 10 gr
Se seleccionan muestras de 10, 50 y 100 paquetes de la producción.
Determina la desviación típica de la media muestral para cada uno de estos 3 casos.
X → N ( µ = 500, σ = 10)
Observa que la
variabilidad de la
Caso n=10 distribución
10 muestral se
X → N (500, ) ≡ N (500, 3,16) reduce cuando
10 Caso n=100 aumenta n
10
X → N (500, ) ≡ N (500, 1,41) Caso n=10
50
Ejemplo 4
En unas elecciones un determinado candidato asegura que tiene ganados
al menos el 50% de los votos. En un sondeo previo a las elecciones se obtuvo una
muestra de 500 votantes y 160 se mostraron favorables al candidato ¿es coherente
con la hipótesis del candidato el resultado obtenido en la muestra?
pq 0,5 ⋅ 0,5
Up → N ( p, ) ≡ N (0,5, ) ≡ N (0,5, 0,1118)
n 500
0,32 − 0,5
P (U p ≤ 0,32) = P ( Z ≤ ) = P ( Z ≤ −16,1) = 0
0,1118