TEORIA DE MUESTRAS

Una población consiste en la totalidad de las observaciones que son de interés.

El tamaño de una población está dado por el número de observaciones. Puede ser finito, por
ejemplo: “número de alumnos en una escuela”, ó infinito: “tiempo de vida útil de una batería”.
Cada observación de una población es un valor de una variable aleatoria X que tiene alguna
distribución de probabilidad f(x).

O sea: la población dada por X  f(x)

Según sea la forma de f(x), por ejemplo: binomial, normal, se dice que la población es: binomial,
normal, respectivamente.

En el campo de la inferencia estadística el estadístico se interesa en llegar a conclusiones que

tienen que ver con la población, cuando es imposible o poco práctico observar todo el conjunto de
observaciones que constituyen la población. Por ejemplo, al intentar determinar la longitud
promedio de la vida de cierta marca de lámpara de luz, sería imposible probar todas las bombillas
si tenemos que venderlas.
Los costos desmesurados también serían un factor prohibitivo para estudiar a toda la población.
Por lo tanto, se debe depender de un subconjunto de observaciones de la población para poder
realizar inferencias con respecto a la misma población.
Esto lleva a considerar la noción de muestreo.

“Una muestra es un subconjunto de una población”.

Al tomar una muestra debe ser: representativa de la población, para evitar sesgos

Para eliminar cualquier posibilidad de sesgo en el procedimiento de muestreo, es deseable elegir

una muestra aleatoria, en el sentido de que las observaciones se realicen de forma independiente
y al azar.

Muestra aleatoria: es el resultado de un mecanismo aleatorio, por lo tanto, es un experimento

aleatorio y cada observación de la muestra es el valor observado de una variable aleatoria.
Cada observación de la muestra se obtiene de manera independiente, bajo las mismas condiciones
n veces

Ejemplo:
Se toma una muestra aleatoria de tamaño 3 de las edades de los alumnos de nivel universitario en
una ciudad.
X” edad de los alumnos” con alguna función de probabilidad f(x).

m.a. X1 X2 X3 media varianza

observaciones 20 21 23 21.33 2.34
21 27 24 24 9
18 23 25 22 12.96
28 22 19 23 20.97

 (X − X)
n n

 Xi
2
i
La media: X = i =1
la varianza : S 2 = i =1

n n −1
Se puede observar que los valores asignados al azar a: X1; X2; X3, determinan que sean variables
aleatorias independientes.

En general:
Sea Xi la variable aleatoria que representa la i-ésima réplica. Entonces X1 , X 2 , .... X n constituye una
muestra aleatoria donde x1; x2; …….xn son las observaciones de las variables aleatorias(v.a.)
independientes respectivas.
Las v.a. en una muestra aleatoria (m.a.) son independientes con la misma función de probabilidad
f(x) de la población de la cual fueron seleccionadas, debido a que cada observación se obtiene bajo
las mismas condiciones.

Definición: Sean X1, X2, … Xn variables aleatorias independientes n, cada una con la misma
distribución de probabilidad f(x), constituyen una m.a. de tamaño n, de la población f(x) si:

a) las Xi son v.a.i.

b) todas las Xi tienen la misma distribución de probabilidades por lo tanto
g(x1; x2; …xn) = f(x1)f(x2) … f(xn)
(distribución de probabilidad conjunta, por ser independientes las v.a., es el producto de
de las distribuciones respectivas)

Nota: En Estadística existen métodos para seleccionar muestras aleatorias, contenidos en el tema
MUESTREO. En este curso dicho tema no pertenece al programa

Al seleccionar muestras aleatorias, el principal propósito consiste en obtener información acerca

de los parámetros desconocidos de la población.

Se supone en el ejemplo mencionado, que se necesita llegar a una conclusión con respecto a la
edad media de los alumnos de nivel Universitario en una ciudad. Resulta dificultoso el obtener
toda esa información.
En cambio es más ágil seleccionar una muestra aleatoria representativa de la población en
cuestión y calcular 𝑥̅ .
El valor calculado con la muestra puede utilizarse para hacer inferencias con respecto a la edad
media verdadera.

La media muestral 𝑥̅ es una función de los valores observados en la muestra aleatoria, por lo tanto
es una variable aleatoria.
Como es possible tomar varias muestras aleatorias a partir de la misma población, se espera que
𝑥̅ variará de una muestra a otra.

Se completa la tabla dada en el ejemplo, y se observa que los valores obtenidos tanto para 𝑥̅
como s2 varían de una muestra aleatoria a otra, y corresponden respectivamente a una variable
aleatoria.
Tales variables aleatorias se llaman estadístico.

O sea 𝑥̅ y s2 son variables aleatorias.

Definición: se llama estadístico a una función de las variables aleatorias que forman una
muestra aleatoria

Estadístico o estadígrafo
Es una función de las observaciones contenidas en la m.a.

Ejemplos: la media muestral ( X ), la varianza muestral( S 2 )

Todo estadístico es una v.a. por lo tanto tiene una distribución de probabilidad conocida
como ditribución de muestreo o distribución muestral.

DISTRIBUCIÓN MUESTRAL DE LA MEDIA MUESTRAL

Sea X1, X2, … Xn una m.a. de tamaño n tomada de una población (finita o infinita) dada por X, con
media EX  =  y var ianza V X  =  2 , entonces:
2
EX =  ; VX =
n

Demostración:
Se sabe que EX =  y VX =  2
(Se recuerda que :Var[X] = V[X])

Calculamos:

 n 
 Xi  1 n
E X = E  i=n  =  E  X i = n  =  = E[x] ; (se aplican propiedades de la esperanza)
1
 n  n i=1 n
 

 n 
 Xi  1 n  2 𝑉[X]
V X =V   = 2  V  X i = 2 n  =
i =1 1 2
= 𝑛 ; (se aplican propiedades de la varianza)
 n  n i =1 n n
 

𝑉[𝑋] 𝜎
Nota: Error estándar de la media muestral: EE𝑋̅ = √ =
𝑛 √𝑛

Observación: para realizar cálculos de probabilidades que involucren la media muestral se necesitan
distribuciones. Un “recurso teórico” muy utilizado es:

TEOREMA CENTRAL DEL LIMITE

Si X1, X2, … Xn es una m.a. de tamaño n tomada de una población (finita o infinita) dada por X,
con media  y var ianza  2 , y si X es la media muestral, entonces la forma límite de la distribución
X −
z= N(0,1) cuando n→ .
 n

En la práctica suele considerarse suficientemente grande cuando n>30

Ejemplos:

1- Suponiendo que X es tal que :

1 2 4x6
f(x) = 
 0 en otra parte
 a) Encuentre la media, varianza y error estándar de la v.a. 𝑋 de una m.a. de tamaño 40.
b) Calcular la probabilidad de que la media muestral sea superior a 5.1.

Solución:
6
6 1 1 𝑥2
a) E[ 𝑋] = E[X]= ∫4 𝑥 2
𝑑𝑥= 2 2
] =5
4
𝑉[𝑋]
𝑉[𝑋] = 𝑛 ;
𝑉 [𝑋] = 𝐸 [𝑋 ] − (𝐸 [𝑋])2 (1)
2

6 1
𝐸 [𝑋 2 ] = ∫4 𝑥 2 2 𝑑𝑥 = 25.33
reemplazando en (1) : 𝑉 [𝑋] = 0.33

𝑉[𝑋] 𝜎
EE[ 𝑋] = √ = = 0.09
𝑛 √𝑛

𝑋̅− µ 5.1−5
b) 𝑃(𝑋̅ > 5.1) = 𝑃( 𝜎 > 0.33 ) (aplicando teorema central del límite)
√𝑛 √40
𝑃 (𝑧 > 1.92) = 0.0274

2- Un fabricante de lámparas de luz afirma que la vida útil tiene una media de 54 meses y una
desviación estándar de 6 meses. Un grupo de defensa del consumidor prueba 50 de ellas.
Suponiendo población normal.
a) ¿Cuál es la probabilidad de que la vida media muestral sea a lo sumo 52 meses?
b) ¿Cuál es el valor de la vida media muestral a partir del cual se encuentra el 90% de las
lámparas?

Solución:

X: ”vida útil de las lámparas fabricadas”

𝑋̅− µ 52−54
P(𝑋̅ < 52) = 𝑃 ( 𝜎 < 6 ) = ( en este caso se aplica teorema central del límite y también
√𝑛 √50
es válida la propiedad reproductiva de la distribución normal, que permite que 𝑋̅ siga una
distribución normal con media de 54 meses y una varianza de 36/50)

𝑃(𝑧 < −2.36) = 0.0091

a) P(𝑋̅ > 𝑘) = 0.90

𝑘−54 𝑘−54
P(z > 6 ) = 0.90 ; 6 = −1.28 ; k = 52.91 meses
√50 √50
El valor de la vida media con la condición requerida es 52.91 meses.