Septiembre 2020

U4: Distribuciones Muestrales

ESTADÍSTICA DESCRIPTIVA
En una Variable
IN1062C

Conceptos
• Población: Colección bien definida de objetos.
• Muestra: Subconjunto de valores seleccionados de la
población
• Parámetro: Función definida sobre los valores
numéricos de características medibles de una
población. (media, proporción y varianza)
• Estadístico: Función definida sobre los valores
numéricos de características medibles de una muestra
(media, proporción y varianza)
• Error de muestro: Diferencia entre el estadístico de
una muestra y el parámetro de la población.

1
 Propósito de la teoría de estimación

Población de tamaño N
Muestra de tamaño n
Parámetro Estadístico

Media ∑ 𝑥 𝑋=
∑
𝜇=
𝑁
Varianza 𝜎 =
∑ ∑
𝑆 =
Proporción p= 𝑝̂ =

donde b es número de éxito de la donde b es número de éxito de la

población muestra

2
 Distribución muestral
Un estadístico es una variable aleatoria; ésta tiene una distribución de
probabilidad y La distribución de probabilidad de un estadístico se
denomina Distribución Muestral.

TEOREMA 1

3
 Propiedades

1. La media de las medias de las muestras es igual a la

media de la población.
2. La dispersión de la distribución muestral de la media es
más estrecha que la distribución poblacional.
3. La distribución muestral de la media tiene forma de
campana.

Equivalencia del Teorema 1:

𝑆 = 𝑋 + 𝑋 +…+ 𝑋 ~ 𝑁(𝑛𝜇, 𝑛𝜎 )

Entonces 𝑍= ~ 𝑁(0,1)

4
 Actividad 1
Se sabe que los pesos de los paquetes de cierto artículo
en una cadena de producción se distribuyen normal
con media de 500 gramos y desviación estándar 10
gramos. Se seleccionan muestras aleatorias de 10, 50 y
100 paquetes de la producción.
a) Determine la desviación estándar de la media
muestral para cada uno de los tres casos ¿Qué
observa de la variabilidad de la distribución
muestral?
b) Si se eligen en forma aleatoria 50 paquetes de
cierto artículo, ¿cuál es la probabilidad de que el
peso medio exceda los 512 gramos?

Definiciones:
1. Sea 𝑋 , 𝑋 ,…, 𝑋 una muestra aleatoria de tamaño 𝑛 de una
distribución normal con media 𝜇 y varianza 𝜎 , entonces
𝑍= son variables aleatorias normales estándar e
independientes, donde 𝑖 = 1,2, … , 𝑛 y

∑ 𝑍 =∑ tienen una distribución chi-cuadrado

con n grados de libertad.

5
 Teorema 2
Sea 𝑋 ,…, 𝑋 una muestra aleatoria extraída de una
población normal de media 𝜇 y varianza desconocida
𝜎 . Si 𝑋 y 𝑆 representan la media y la varianza de la
muestra, entonces 𝑇 = tiene una distribución
/
t-student con n-1 grados de libertad.

TEOREMA 3

Sean X1 , X 2 ,......., X n una muestra aleatoria de

tamaño n extraída de una población normal de
media 𝜇 y varianza 𝜎 . Entonces,

n  1S 2 ~  2n 1
2

6
 Teorema Central del Límite (TCL)

Sea 𝑋 , 𝑋 ,…, 𝑋 una muestra aleatoria de una

distribución con media 𝜇 y varianza 𝜎 . Por
tanto, si 𝑛 es suficientemente grande (𝑛 ≥ 30).
𝑋 tiene aproximadamente una distribución
normal de media 𝜇 y varianza 𝜎 / 𝑛.

Observemos que mientras más grande es el valor

de 𝑛, mejor será la aproximación.

El TCL se puede utilizar para aproximar probabilidades de

variables aleatorias discretas para valores grandes del tamaño de
la muestra n
Sea Y, el número de éxitos en n ensayos Bernoulli.
𝑌~𝐵𝑖𝑛 𝑛, 𝑝 . Cuando n es grande, la proporción de éxitos en la
muestra es 𝑝̂ = tendrá aproximadamente una distribución
( )
normal con una media p y varianza .
( )
𝑝̂ ≈ 𝑁(𝑝, ) para 𝑛 suficientemente grande