DISTRIBUCIONES

FUNDAMENTALES
PARA EL
MUESTREO
Arisbeth Bernal Salinas
 • Si una muestra aleatoria de tamaño n se
toma de una población con la media μ y
la varianza σ2, entonces X es una variable
La aleatoria cuya distribución tiene la media
μ.
distribución • Para muestras de poblaciones infinitas, la
muestral de varianza de esta distribución es σ2 /n .

la media • Para muestras de una población finita de

tamaño N,
• la varianza es σ2 /n * N − n /N − 1 .
• Población: Consiste en la
totalidad de las
observaciones en las que
estamos interesados.

• Cada observación en una

población es un valor de
una v. a. X que tiene
alguna distribución de
probabilidad f(x).
Distribución muestral de la media

• Sea una población con media μ

y desviación típica σ.
• La distribución de las medias de
las muestras aleatorias (con
reposición) de tamaño n, tiene
por media μ y desviación típica
σ/√n
Teorema del limite central

• Dada una población, con

media μ y desviación típica
σ finitas, y seleccionamos al
azar muestras aleatorias de
tamaño n, entonces a
medida que n crece la
distribución de las medias
muestrales se aproxima a
una distribución normal.
 • Dada una población, con media μ y
desviación típica σ finitas, y seleccionamos
al azar muestras aleatorias de tamaño n,
entonces la forma límite de la distribución
de Z conforme n crece indefinidamente
Teorema del
límite
central
Distribución muestral de la media
• Veremos primero el caso de que la distribución subyacente sea
normal, con media µ y varianza
• La media de la distribución muestral de medias es µ
• La varianza de la distribución muestral de medias es
• La forma de la distribución muestral de la media muestral es normal.
Distribución poblacional
subyacente (dist. Normal):
Media = 100 V
arianza = 225
Desv. típica = 15

Distribución muestral de la
media: Tamaño muestral =10
Media = 100
Varianza = 225/10 =22.5
Desv.típica = √22.5 =4.74
 • Veamos ahora el caso en que la distribución
Distribución subyacente sea arbitraria, con media µ y
muestral de varianza La media de la distribución
muestral de medias es µ La varianza de la
la media distribución muestral de medias es /n
Ejemplo
Distribución muestral de la
media:
• Tamaño muestral = 10
• Media = 100
• Varianza = 100/10 = 10
• Desv. típica = √10 = 3.16
 • Si S2 es la varianza de una muestra aleatoria de
tamaño n que se toma de una población normal
que tiene la varianza entonces el estadístico:

Distribución
Muestral de
S2
• Tiene una distribución ji cuadrada con n -1
grados de libertad.
Distribución Muestral de
Usos de la Ji-Cuadrado

Para hacer inferencias acerca de la varianza poblacional. Es decir, para

calcular Intervalos de Confianza y Prueba de hipótesis para la varianza
poblacional.

Para hacer pruebas de Bondad de Ajuste. O sea, para probar si un

conjunto de datos sigue una distribución pre-determinada.

Para hacer análisis de tablas de contingencia.

Distribución t de Student

Student era el seudónimo de

W.S. Gosset, un pionero
estadista que trabajó en la
Cervecería Guiness de Dublín.
• Sea X tal que X ~ N (0,1)
• Y tal que Y ~X2 n
• Supongamos que la población es
normal con media y varianza
desconocida y que se desea hacer
inferencias acerca de µ, basada en una
muestra pequeña (n < 30) tomada de
la población. En este caso la
distribución de la media muestral ya
no es normal, sino que sigue la
distribución t de Student.
 • La distribución t de Student
es bastante similar a la
Normal Estándar, con la
Distribución t diferencia que se aproxima
más lentamente al eje
de Student horizontal. El parámetro de
esta distribución son los
grados de libertad
Distribución t de Student

• Si de una población
Normal con media µ y
desviación estándar se
extrae una muestra de
tamaño n, entonces el
estadístico:

se distribuye como una t de

Student con n-1 grados de
libertad.
Cuando la distribución de la población de la que
obtenemos las medias muestrales no es normal, el
estadístico anterior, se distribuye como una normal
tipificada para valores de n > 30.