Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capítulo 2
DISTRIBUCIONES MUESTRALES
2.1 VARIABLES ALEATORIAS MUESTRALES Y SUS
DISTRIBUCIONES DE PROBABILIDAD
A
l estudiar las variables aleatorias sean discretas ó continuas, desde los
cursos de probabilidad, se sabe que tienen su distribución de
probabilidades, valor esperado X , varianza X2 y desviación estándar
X . En esta unidad estudiaremos variables aleatorias, que se obtienen de
muestras aleatorias a partir de una población o bien de dos poblaciones. Las
principales variables serán la suma muestral W , la media muestral X , la
diferencia de medias muestrales X 1
X 2 , la proporción muestral P̂ , la
diferencia de proporciones muestrales Pˆ1 Pˆ2 , la T de Student, la 2 ji o
chi-cuadrada y la F. Estas dos últimas son usadas cuando se trabaja con la
S2
varianza muestral S 2 y la división de varianzas 1 2 , respectivamente.
S2
Las letras mayúsculas se utilizarán para referirnos a estas variables, ya que de
una muestra a otra, asumen diferentes valores y a cada valor específico de
ellas lo simbolizaremos con letras minúsculas, es decir w es el valor que toma
la variable W en una muestra aleatoria de tamaño n, x es valor que toma la
variable media muestral X en una muestra aleatoria de tamaño n, etc. Solo la
variable ji- cuadrada la denotaremos con el símbolo 2 .
Cuando realiza un muestreo de una población finita se presentan dos tipos,
con reemplazamiento, en donde cada elemento seleccionado se puede volver a
elegir y sin reemplazamiento, en el que un elemento que fue seleccionado, ya
no puede volver a ser elegido. Para construir una distribución muestral, se
tendrían que seleccionar todas las muestras de tamaño n de la población y
conocer el comportamiento de alguna variable de interés, esta labor se puede
realizar si la población es finita y no grande. Por ejemplo si una población es
de tamaño N=10 y se quieren todas las muestras de tamaño n=2 con
reemplazamiento, se tendrían un total de 102=100 muestras y si fuera sin
reemplazamiento se tendrían 45 muestras. Sin embargo en la práctica las
poblaciones no son pequeñas, ya que entonces se trabajaría con ellas en su
totalidad, lo más común es que las poblaciones sean grandes o incluso
infinitas, por lo que obtener todas las muestras resulta demasiado complejo o
imposible.
32
Capítulo 2 Distribuciones Muestrales
1 3 5 7 9 25
5 , es la media poblacional.
5 5
1 5 3 5 5 5 7 5 9 5
2 2 2 2 2
16 4 0 4 16 40
2
8 , es la
5 5 5
varianza poblacional.
33
Capítulo 2 Distribuciones Muestrales
W p(W )
2 1 0.04
25
4 2 0.08
25
6 3 0.12
25 p(W )
8 4 0.16
25
10 5 0.20
25
0.20
12 4 0.16 .
25 .
14 .
3 0.12 0.04
25 W
2 4 6 8 10 12 14 16 18
16 2 0.08
25
18 1 0.04
25 Figura 1
34
Capítulo 2 Distribuciones Muestrales
V (W ) W
2
25
400
V W W2 16 2 8
25
En el ejemplo, podemos observar que el valor esperado de W es igual a dos
veces la media poblacional , esto es, E (W ) W 10 2 5 n
Por otro lado, la varianza de W es dos veces la varianza poblacional y se debe
a que las muestras fueron de tamaño n 2 , así V (W ) W2 16 2 8 n 2 .
35
Capítulo 2 Distribuciones Muestrales
La importancia del teorema, estriba en que contamos con una variable aleatoria
llamada suma W , que es normal y podemos obtener probabilidades de ella
conociendo alguna información de la población, a través de la variable normal
estándar Z .
Basta que recordemos de los cursos de probabilidad, que toda variable normal
X con media X y desviación estándar X , se puede llevar o transformar a la
variable normal estándar Z , cuya media es igual a cero y desviación estándar
X X
igual a uno 0 , 1 , mediante la relación Z , donde X es el
X
valor esperado o media de X y X la desviación estándar de X .
Si la variable es W (suma de variables), entonces tendremos que la variable
W W W n
normal estándar queda como: Z
W n
36
Capítulo 2 Distribuciones Muestrales
z P Z z
z
Figura 2
La columna z nos da la probabilidad de que la variable normal estándar
sea menor o igual al valor positivo z , es decir z P Z z
En la figura 3, se muestra el área bajo la curva normal a la izquierda de z ,
como una probabilidad acumulada, que proporciona z
z PZ z
z
Figura 3
La columna D z nos da la probabilidad de que la variable normal estándar Z ,
se encuentre entre los valores de z y de z , D z P z Z z , es decir el
área comprendida bajo la curva normal estándar entre los valores de z y z .
La figura 4 ilustra la probabilidad que representa D z .
D z P z Z z
z z
Figura 4
37
Capítulo 2 Distribuciones Muestrales
Ejemplo 1: Un elevador tiene una capacidad máxima para una tonelada, los
pesos de las personas que lo usan cotidianamente se distribuyen normalmente
con un promedio de 74 kg y desviación estándar de 10 kg. ¿Cual es la
probabilidad de que al subirse 15 personas en un momento dado, se rebase la
capacidad del elevador?
2.84 Figura 5 2.84
Observemos que también podríamos apoyarnos de la propiedad del
complemento para probabilidades, es decir,
P Z 2.84 1 P Z 2.84 1 2.84 1 0.0023 0.9977 .
Por lo tanto, la probabilidad de que la capacidad del elevador sea rebasada por
quince personas es del 0.9977. Lo que significa que es muy grande la
probabilidad de rebasar la capacidad del elevador.
38
Capítulo 2 Distribuciones Muestrales
39
Capítulo 2 Distribuciones Muestrales
40
Capítulo 2 Distribuciones Muestrales
X p( X )
1 1 0.04
25
2 2 0.08
25
3 3 0.12
25 p( X )
4 4 0.16
25
5 5 0.20
25 0.20
6 4 0.16 .
25 .
.
7 3 0.12 0.04
25 1 2 3 4 5 6 7 8 9 X
8 2 0.08
25
9 1 0.04
25 Figura 7
41
Capítulo 2 Distribuciones Muestrales
5!
En la tabla se dan las 5 C 2 10 muestras posibles que se pueden extraer
3!2!
de la población sin reemplazamiento.
El valor esperado de X es
2 3 4 4 5 5 6 6 7 8 50
E( X ) X 5 , el cual coincide con la
10 10
media poblacional.
La varianza de X es
2 5 3 5 2 4 5 2 5 5 2 6 5 7 5 8 5
2 2 2 2 2 2 2
V (X ) X
2
10
V X X2
30
3
10
Donde se puede ver que ahora la varianza de X , no es igual a la varianza
poblacional 2 dividida por el tamaño de las muestras ( n 2 ). Sin embargo si
N n 2
se agrega el factor a , obtenemos la siguiente igualdad
N 1 n
5 2 8 3
V X X2 3 4 .
5 1 2 4
Para el muestreo sin reemplazamiento podemos concluir que:
1) E X X
N n2
2) V X X 2
N 1 n
N n
Al factor se conoce como corrección por población finita y puede
N 1
ignorarse cuando el tamaño de las muestras es pequeño en comparación con
el tamaño de la población, ya que cuando la población es mucho más grande
2 2 N n
que la muestra, la diferencia entre y es despreciable.
n n N 1
Por ello conviene aclarar que el factor de corrección por población finita no se
utiliza cuando trabajamos con poblaciones o variables normales, por
considerarse infinitas.
De modo que cuando se trabaje una población finita y la muestra sea menor
que el 5% de la población, se podrá ignorar dicho factor de corrección.
42
Capítulo 2 Distribuciones Muestrales
n
Xi X X2 Xn 1
E X E i 1 E 1 E X 1 E X 2 E X n
1) n n n
E X n
1 1
n n
Lo que demuestra que la media de X o el valor esperado de X , es igual a la
media poblacional .
n
Xi X X2 Xn 1
V X V i 1 V 1 2 V X 1 V X 2 V X n
n n n
2)
2
V X 2 2 2 2 2 n 2
1 1
n n n
43
Capítulo 2 Distribuciones Muestrales
X X X n X
Z
normal estándar queda como X
n
Ejemplo 3: Los diámetros de los tornillos producidos por una fabrica con
determinadas especificaciones se distribuyen normalmente con una media de
50 milímetros y una desviación estándar de 5 milímetros.
Si se selecciona una muestra aleatoria de 16 de estos tornillos, ¿cuál será la
probabilidad de que la media muestral no exceda a los 53 milímetros?
44
Capítulo 2 Distribuciones Muestrales
En la figura 8, se ilustra la
probabilidad de que la media
muestral X sea menor o
P Z 2.40 2.40 0.9918
igual que 53 y es la misma
probabilidad de que la
variable Z sea menor o igual
a 2.40, como resultado de
haber realizado la
estandarización.
2.40
Figura 8
Por lo tanto, la probabilidad de que la media muestral X sea menor o igual a 53
milímetros es de 0.9918 o del (99.18)%
0.67 0.7486
Figura 9 0.67
O bien por la simetría se tiene P Z 0.67 P Z 0.67 0.67 0.2514
45
Capítulo 2 Distribuciones Muestrales
D 3.51 0.9996
-3.51 3.51
Figura 10
Ejemplo 6: En referencia al ejemplo anterior, si se desea que la media
muestral este alejada de la media poblacional en a lo más un año, con una
probabilidad del 95%, ¿de que tamaño tendría que ser la muestra para
alcanzar dicha probabilidad?
luego podemos escribir que, P X 1 0.95 lo significa que:
n n
P X 1 P 1 X 1 P Z 0.95
4.5
4.5
Por otro lado, de la tabla 2 para porcentajes de la variable normal estándar, se
tiene que cuando z 1.96 , P 1.96 Z 1.96 0.95 (ver figura 11).
n
Así podemos igualar con 1.96 , para encontrar el tamaño de la muestra
4.5
como se índica.
n
n 1.96 4.5 n 1.96 4.5 77.79
2
1.96
4.5
46
Capítulo 2 Distribuciones Muestrales
Figura 11
-1.96 1.96
Nota:
El tamaño de la muestra, se podría obtener de manera análoga igualando
n
con 1.96 .
4.5
47
Capítulo 2 Distribuciones Muestrales
E X 1 X 2 X1 X 2 1 2
12 22
V X1 X 2 2
X1 X 2
n1 n2
12 22
X X
1 2
n1 n2
Por las propiedades del valor esperado y varianza de una combinación lineal
de variables.
E a1Y1 a2Y2 a1E Y1 a2 E Y2 ; V a1Y1 a2Y2 a12V Y1 a22V Y2 , tomando
a1 1 y a2 1
Z
X 1 X 2 1 2
12 22
n1 n2
48
Capítulo 2 Distribuciones Muestrales
1.91 1.91
Figura 12
49
Capítulo 2 Distribuciones Muestrales
Ejemplo 8: Se sabe que los pesos de los hombres (H) y mujeres (M) con
edades de veinte a treinta años, se distribuyen normalmente.
El peso medio y la varianza para los hombres son H 80 y H2 16 .
En el caso de la mujeres se tiene que M 72 y M2 9 .
Si se seleccionan muestras aleatorias e independientes de nH nM 9 de
hombres y mujeres respectivamente, obtenga la probabilidad de que el peso
promedio muestral de hombres sea mayor a el peso promedio muestral de
mujeres, en por lo menos 10 kilogramos.
Figura 13
1.20 – 1.20
La figura 13 nos indica la simetría de la curva normal y por ello las dos áreas
bajo la curva representan el mismo valor de la probabilidad.
50
Capítulo 2 Distribuciones Muestrales
b X x, n, p Cxn p x q n x
Donde x 0,1, 2,3, , n .
p , es la probabilidad de éxito o la proporción poblacional.
q 1 p , es la probabilidad de fracaso.
n!
Cxn , es número de combinaciones posibles que se forman tomando
n x ! x !
x de n objetos.
X 1 1 X 1
1
E Pˆ E E X np p ; V Pˆ V 2 V X 2 npq
n n n n n n
pq
n
Con cual queda demostrado.
51
Capítulo 2 Distribuciones Muestrales
52
Capítulo 2 Distribuciones Muestrales
p 1 p1 p1q1 p 1 p2 p2 q2
V Pˆ1 1
n1
n1
; V Pˆ2 2
n2
n2
, respectivamente.
p1 1 p1 p2 1 p2
La desviación estándar de Pˆ1 Pˆ2 es Pˆ Pˆ .
1 2
n1 n2
Para poder trabajar con esta diferencia resulta todavía más indispensable el
teorema del límite central que enunciamos en la siguiente sección.
Acabamos de analizar cinco variables muestrales que fueron la suma de
variables W , la media muestral X , la diferencia de medias muestrales
X1 X 2 , la proporción muestral P̂ y la diferencia de de proporciones Pˆ1 Pˆ2 .
En la tres primeras se suponía que la o las poblaciones tenían que ser
normales para garantizar que las variables en estudio fueran normales y en las
dos últimas (proporciones) no podemos hablar de normalidad, entonces surge
una pregunta a este respecto, cuándo la población no es normal o no
conocemos su naturaleza, ¿qué podemos decir de la variable muestral?
La respuesta a esta pregunta la encontramos en el siguiente teorema.
Teorema del Límite Central: Dada una población con media y varianza 2 .
Si W X1 X 2 X 3 X n es la suma de variables aleatorias independientes
W n
con misma distribución, entonces la variable es normal estándar
n
cuando el tamaño de la muestra n se hace infinito.
Lo que dice en otras palabras el teorema, es que, sin importar como sea la
población, la variable suma W será aproximadamente normal cuando el
tamaño de la muestra n sea suficientemente grande. Además no se reduce a
la suma, sino que podemos extender está afirmación a la media X , a la
diferencia de medias X1 X 2 , a la proporción P̂ , a la diferencia de
proporciones Pˆ Pˆ , etcétera.
1 2
53
Capítulo 2 Distribuciones Muestrales
W n , n Normal Z 0,1 Normal estándar
W n
Z
n
En cuanto, a cuán grande debe ser el tamaño de la muestra n para poder
aplicar el teorema, se tiene una respuesta determinada. Esto depende de la
precisión de la aproximación requerida y la población. Si la población es normal
la variable será normal sin importar el valor n . Si no se sabe nada acerca de la
población, podemos usar como convención que cuando n sea mayor o igual a
treinta n 30 la variable muestral es prácticamente normal. Diciendo que si n
aumenta, las aproximaciones serán cada vez mejores.
Ahora veremos algunas aplicaciones del teorema en las distribuciones
muestrales, principalmente en la de una proporción y una diferencia de
proporciones.
Cuando se pasa de una variable aleatoria discreta a una continua como la
normal, por lo regular se agrega un factor de corrección por continuidad
1
para obtener una mejor aproximación en el calculo de las probabilidades,
2n
sin embargo, cuando se aplique el teorema del límite central ignoraremos dicho
factor de corrección, a menos que se indique lo contrario.
54
Capítulo 2 Distribuciones Muestrales
Ejemplo 11: Los tiempos “muertos” en una empresa en promedio son de 1.6
horas con una desviación de 0.5 horas. Si se selecciona una muestra de 100
empleados de dicha empresa, ¿cuál es la probabilidad de que la media
muestral sea inferior a 1.65 horas?
Por lo tanto la probabilidad de que la media muestral sea inferior a 1.65 horas
es de 0.8413 o (84.13)%
55
Capítulo 2 Distribuciones Muestrales
5.5 6 7.1 6
P 5.5 X 7.1 P Z P 1 Z 2.2 2.2 1
3 3
36 36
0.9861 0.1587 0.8274
x f x
1 1 1
V X 2 22 42 62 4 2.67
2 2 2
i i
3 3 3
La desviación estándar es 2.67 1.634
Luego la probabilidad de la media muestral X sea mayor a 4.1 y menor que 4.4
por el T. L. C. queda como:
4.1 X 4.4 4.1 4 4.4 4
P 4.1 X 4.4 P P Z
1.634 1.634
n n n 54 54
P 0.45 Z 1.80 1.80 0.45 0.9641 0.6736 0.2905
Por lo tanto la probabilidad requerida es 0.2905 aproximadamente.
Ejemplo 14: Supóngase que se ha establecido, que para cierto tipo de cliente,
la duración media de una visita domiciliaria realizada por una enfermera es de
38 minutos, con una desviación estándar de 10 minutos, y que, para un
segundo tipo de cliente, la visita domiciliaria media dura 20 minutos, con una
desviación estándar 8 minutos. Si una enfermera visita aleatoriamente 35
clientes del primer tipo y 40 del segundo tipo de manera independiente, ¿cuál
es la probabilidad que la duración media de la visita difiera entre los dos grupos
en 20 más minutos?
56
Capítulo 2 Distribuciones Muestrales
X X 1 2 38 20 18
1 2
10 8
2 2
12 22
2
X1 X 2
4.457
n1 n2 35 40
Al estandarizar, tenemos la probabilidad de que la diferencia de medias sea
mayor o igual a 20 minutos.
20 18
P X1 X 2 20 P Z P Z 0.95 1 0.95 1 0.8289 0.1711
4.457
X
Respuesta: Recordemos que para una proporción muestral Pˆ su media
n
(valor esperado) y varianza son:
p 1 p
E Pˆ Pˆ p y V Pˆ P2ˆ
n
p 1 p
La desviación estándar es Pˆ
n
Donde, p es la proporción poblacional o la probabilidad de éxito y n el tamaño
de la muestra.
X
El teorema del límite central (T L C), permite asegurar que la proporción Pˆ
n
es aproximadamente normal dado que la muestra es grande n 100 30
O bien np 60 5 y np 1 p 24 5 , ya que p 0.60 .
57
Capítulo 2 Distribuciones Muestrales
Pˆ Pˆ Pˆ p
Z
Pˆ p 1 p
n
Luego entonces la probabilidad de que al menos 70 adultos tengan problemas
de hipertensión es.
Pˆ p 0.70 p 0.70 0.60
ˆ
P P 0.70 P
p 1 p
p 1 p
P Z
0.60 0.40
P Z 2.04
n n 100
De la tabla normal, se tiene que P Z 2.04 2.04 0.0207
Por lo que, la probabilidad de que al menos 70 adultos de 100, padezcan
hipertensión arterial es de 0.0207.
Ejemplo 16: Si uno de cada cinco tornillos producidos en una fabrica presentan
un defecto ligero, ¿cuál será la probabilidad de en una muestra de 1000
tornillos menos de 185 tengan algún defecto ligero?
1
Respuesta: La proporción de tornillos con defectos ligeros es p 0.20 y
5
por el (T L C), la proporción muestral P̂ es aproximadamente normal, debido a
que la muestra es grande.
Se quiere la probabilidad P
X 185
n 1000
ˆ
P P 0.185 y al estandarizar
Pˆ p 0.185 p 0.185 0.20
ˆ
P P 0.185 P
p 1 p
p 1 p
P Z
0.20 0.80
n n 1000
P Z 1.19 1.19 0.1170
Ejemplo 17: En una prueba de opción múltiple con 130 preguntas, cada una de
ellas tiene 4 opciones (de las que exactamente una es la correcta), es decir, la
probabilidad de éxito es de uno de cuatro. Un aspirante realiza la prueba y
1
contesta las todas las preguntas al azar ( p 0.25 ), ¿cuál la posibilidad de
4
que pase la prueba?
58
Capítulo 2 Distribuciones Muestrales
Respuesta: Para que pase la prueba debe obtener el 60% de aciertos, lo cual
significa que debe obtener 0.60 (130) = 78 respuestas correctas de las 130
que consta la prueba.
Así, La posibilidad de que pase es P X 78 P
X
78
ˆ
P P 0.60
130 130
Al estandarizar tenemos que
0.60 0.25
P Pˆ 0.60 P Z
0.25 0.75
P Z 9.22 0
130
En la tabla 2, no aparece el valor de 9.22, debido a que prácticamente el 100%
del área bajo la curva normal se localiza entre el – 3.59 y el 3.59.
Como el valor 9.22 está fuera del intervalo y se quiere que la variable normal
estándar sea mayor o igual, se concluye que prácticamente es igual a cero la
probabilidad requerida.
Z
Pˆ Pˆ p p
1 2 1 2
Pˆ Pˆ p p
1 2 1 2
p1 1 p1 p2 1 p2 p1q1 p2 q2
n1 n2 n1 n2
Respuesta: De nueva cuenta por el (T L C), dado que las muestras son
grandes, podemos trabajar con la variable normal estándar.
Se nos dice que p1 0.40 y p2 0.31 p1 p2 0.09 , además n1 60 y n2 70
Luego, la probabilidad pedida queda como:
59
Capítulo 2 Distribuciones Muestrales
P 0.12 Pˆ1 Pˆ2 0.18
P
0.12 p1 p2
Pˆ1 Pˆ2 p1 p2
0.18 p1 p2
p1 1 p1 p2 1 p2 p1 1 p1 p2 1 p2
p1 1 p1 p2 1 p2
n1 n2 n1 n2 n1 n2
0.12 0.09 0.18 0.09
P Z
0.4 0.6 0.31 0.69 0.4 0.6 0.31 0.69
60 70 60 70
P 0.36 Z 1.07 1.07 0.36 0.8577 0.6406 0.2171
Z
X
X n
n
Una pregunta que se plantea ahora es ¿qué pasa cuando la varianza
poblacional 2 es desconocida?
Si la muestra es grande, podemos utilizar la varianza muestral
n
X X
2
i
S2 i 1
para aproximar a la varianza poblacional 2 .
n 1
60
Capítulo 2 Distribuciones Muestrales
X X
2
i
O bien la desviación muestral S i 1
como aproximación de la
n 1
desviación poblacional y aún podríamos trabajar con la variable normal Z .
Pero si la muestra es pequeña n 30 , a pesar de que la población fuese
normal, no podemos asegurar que la variable sea normal, es decir la variable
X X n
S S
n
tiene una distribución de probabilidades diferente a la distribución normal, a la
que se le llamó distribución T de Student y fue dada a conocer por W.S.
Gosset en 1908, cuando trabajaba en una empresa cervecera, que les prohibía
a sus empleados hacer investigaciones dentro de las jornadas laborales, por
ello sus publicaciones las presentaba bajo el seudónimo de Student. Una
variable T de student se escribe como
X X n
T
S S
n
Como se aprecia es muy similar a la variable normal, la justificación teórica
queda fuera de los alcances del libro, a cambio de ello mencionaremos sus
principales propiedades que nos permitan poder trabajar principalmente las
tablas probabilísticas de ella, su distribución de probabilidades de esta variable
comúnmente reconoce como distribución t .
PROPIEDADES DE LA DISTRIBUCIÓN T
1) Tiene una media o valor esperado de 0.
2) Es simétrica con respecto a la media.
3) Es asintótica con respecto al eje horizontal.
4) La varianza es mayor que 1 y se aproxima a 1 cuando el tamaño de la
muestra se hace grande.
5) La variable T toma valores desde hasta .
6) En realidad, la distribución T es una familia de distribuciones de
probabilidades, ya que se tiene una distribución diferente para cada
valor de n 1 , el divisor usado al calcular la varianza muestral S 2 .
7) Comparada con la distribución normal, la distribución T es menos alta
en el centro y sus extremos son más altos.
61
Capítulo 2 Distribuciones Muestrales
Distribución normal
Distribución T
0
Figura 14
La distribución T , como la normal estándar tiene su tabla de valores para
T y las áreas bajo la curva a la derecha de ellos, correspondientes a los
grados de libertad.
Como ya se dijo, para cada n 1 , está cantidad recibe el nombre de grados de
libertad y tendremos diferentes distribuciones de probabilidad, por
consecuencia diferentes valores de la variable T por cada valor que tome
n 1 , a pesar de que la probabilidad sea la misma.
La noción de grados de libertad, en forma intuitiva puede entenderse, para el
caso de la varianza muestral S 2 de la siguiente manera. Supongamos que se
toma una muestra de tamaño 1 de una población, si tratamos de calcular la
varianza de la muestra sería igual a cero, ya que solo se tiene una observación
y no proporciona información sobre la varianza. En otras palabras para conocer
algo de la varianza por lo menos la muestra debe ser mayor o igual a 2 .
Ahora, si n 2 , uno u otro de los valores no nos dice algo acerca de la
varianza; solo un segundo valor proporciona alguna información. Así, la
varianza se basa en un solo dato de los dos de la muestra. En este caso,
decimos que solo hay 2 1 1 grados de libertad en el cálculo de la varianza
muestral, por lo que en una muestra de tamaño n se pierde un grado de
libertad, luego entonces el número de grados de libertad es n 1 .
Otra forma de explicar el concepto de grados de libertad, es, el de suponer que
se tiene una muestra de n personas y n sillas para sentarse en un salón.
Estas personas se forman para entrar una por una, al salón y tomar una silla, la
primera tiene libertad de elegir cualquiera de las sillas, la segunda también
tiene libertad de escoger, así sucesivamente, hasta llegar a la penúltima, la
cual todavía tiene libertad de seleccionar una de las dos sillas que quedan sin
ocuparse. La última ya no tiene libertad de elección, es decir solo le queda
sentarse el la silla sobrante, ello significa que de las n personas solo n 1
tienen libertad de escoger alguna silla.
62
Capítulo 2 Distribuciones Muestrales
Distribución T
P T t
t
Figura 15
Aunque en la tabla aparecen solo valores positivos de t , se pueden
considerar valores negativos ( t ), de acuerdo a la simetría de la
distribución T , así como probabilidades diversas apoyándonos de esta
propiedad.
Los ejemplos que siguen buscan, ilustrar el uso y manejo de la tabla 3 para
distribución T .
Respuesta:
63
Capítulo 2 Distribuciones Muestrales
Distribución t
0.045 0.045
1.928 1.928
Figura 17
En la figura 17 se muestra la probabilidad de que T este entre los valores
dados
64
Capítulo 2 Distribuciones Muestrales
Figura 18
0.035 0.095
1.893 1.3472
65
Capítulo 2 Distribuciones Muestrales
Otra variable que se presenta sobre todo cuando tenemos muestras pequeñas
tomadas de una población normal, es la chi-cuadrada o ji-cuadrada y el
símbolo que se usa para denotarla es 2 . Del mismo modo que la variable T
de Student, no daremos su justificación teórica, ya que nos interesa más el
aspecto utilitario de su distribución de probabilidades, por lo que
mencionaremos algunas de sus principales características, así como una
variable muestral en especial que se comporta de acuerdo a la chi-cuadrada.
2 n 1 S 2
2
tiene una distribución chi-cuadrada con n 1 grados de libertad.
Distribución chi-cuadrada
2
Figura 19
Es asintótica con respecto al eje horizontal
66
Capítulo 2 Distribuciones Muestrales
Figura 20
1
P 2 2
2
Figura 21
2 2
26.1189 5.6287
67
Capítulo 2 Distribuciones Muestrales
2.4 DISTRIBUCIÓN F
Figura 22
P F f
1
F
f
68
Capítulo 2 Distribuciones Muestrales
1
f1 1 , 2
f 2 , 1
En consecuencia, el valor de la variable F que produce un área de 0.99 a la
derecha con 7 y 12 grados de libertad para el numerador y denominador
respectivamente, queda determinado como:
1 1
f 0.99 7,12 0.155
f 0.01 12, 7 6.469
De manera análoga, para los valores que siguen
1 1
f 0.995 21, 6 0.228
f 0.005 6, 21 4.393
1 1
f 0.99 15,18 0.292
f 0.01 18,15 3.423
1 1
f 0.98 26, 24 0.434
f 0.02 24, 26 2.306
1 1
f 0.975 14,9 0.312
f 0.025 9,14 3.209
1 1
f 0.95 27,12 0.469
f 0.05 12, 27 2.132
1 1
f 0.90 15,10 0.486
f 0.10 10,15 2.059
69
Capítulo 2 Distribuciones Muestrales
S12
12 22 S12
F
S 22 12 S22
22
RESUMEN:
Suma de variables W
W W W n
Z
W n
Media muestral X
X X X n X
Z
X
n
70
Capítulo 2 Distribuciones Muestrales
Z
X 1 X 2 1 2
12 22
n1 n2
Proporción muestral P̂
Pˆ Pˆ Pˆ p
Z
Pˆ p 1 p
n
Z
Pˆ Pˆ p p
1 2 1 2
Pˆ Pˆ p p
1 2 1 2
p1 1 p1 p2 1 p2 p1q1 p2 q2
n1 n2 n1 n2
Variable T de Student
X X n
T
S S
n
Variable Ji o chi- cuadrada
n 1 S 2
2
2
Variable F
S12
12 22 S12
F
S 22 12 S22
22
71
Capítulo 2 Distribuciones Muestrales
5) Los obreros de una gran empresa tienen una edad promedio de 35 años
con una desviación típica de 6 años. Si se selecciona una muestra
aleatoria de 35 obreros, ¿cual es la probabilidad de la edad promedio de
la muestra sea
a) de más de 37.5 años
b) de menos de 33 años
c) de entre 34.25 y 34.75 años
d) de entre 36 y 37.75 años?
6) En un país el ingreso familiar mensual tiene una media de $10 000 y una
desviación estándar de $ 3 000. Se selecciona una muestra aleatoria de
100 familias, obtenga la probabilidad de que el promedio X sea
a)menor o igual que $11 200
b) mayor o igual que $10 450
c) mayor que $10 150 pero menor que $13 000.
72
Capítulo 2 Distribuciones Muestrales
1 cuando x 3, 6,9
7) Se tiene la distribución de probabilidades f ( x) 3 se
0 en otro caso
obtiene una muestra de 36 observaciones, calcular la probabilidad de
que la media X sea mayor a 7.
3 x 103 si 1 x 2
f ( x) 10
0 en otro caso
11) Las alturas de los pinos en los bosques de los alpes se distribuyen
normalmente con una desviación estándar de 1.5 metros, si se toma una
muestra aleatoria de 12 de estos pinos, ¿cuál es la probabilidad de que
la media muestral X se desvíe de la media poblacional en a lo más
0.5 metros?
73
Capítulo 2 Distribuciones Muestrales
15) Se sabe que la raza pastor alemán vive en promedio 12 años con una
desviación estándar de 2 años y la raza terrier tiene una vida media de
10 años con una desviación de 3 años. Se toman muestras aleatorias
independientes de tamaño 100 de estas razas. Obtener la probabilidad
de que la diferencia de vidas medias muestrales sea menor o igual que
un año.
17) Una cierta medicina tiene un 80% de efectividad para curar una
enfermedad común. Si se les suministra el medicamento a 100
pacientes con tal enfermedad ¿Cuál es la probabilidad de que más de
80 se recuperen? ¿de que entre 70 y 90 se recuperen?
18) Se considera que el 65% de las mujeres se someten a una dieta para
bajar de peso. Si se toma una muestra de 60 mujeres, hallar la
probabilidad de que la proporción muestral sea menor que 0.68.
74
Capítulo 2 Distribuciones Muestrales
b) 0.01
2
con 28 g. l.
c) 0.995
2
con 7 g. l.
d) Si P 2 2 0.99 con 4 g. l. calcular 2
75