Estadística II

Tema 4.1 / PC2

Distribuciones Muestrales

Distribución de Probabilidad Muestral

Es la función de probabilidad de un estadístico o estimador, la misma que se genera
con todas las muestras posibles de tamaño n que se puedan extraer de una
población.
Entre de las principales distribuciones muestrales, tenemos:

Distribución de Promedios Muestrales

Es la función de probabilidad que se forma con los promedios muestrales que se
obtienen a partir de la elección de todas las muestras posibles de tamaño n que
se puedan extraer de una población.
Sea X una variable aleatoria definida sobre una población con media x y variancia
2
x , de donde se extraen todas las muestras aleatorias posibles de tamaño n; si
para cada muestra se determina su promedio x; entonces x es una variable
aleatoria cuya media y variancia están dadas por:
a) Si el muestreo es con reemplazo o si la población es infinita.

2
 = x ;  2
= x
x x n

b) Si el muestreo es sin reemplazo o si la población es finita.

2 2x  N − n 
 = x ;  =
x x n  N − 1 

Estadística para la Universidad -1-

 Tema 4 / PC2 / Distribuciones Muestrales / Estadística II

NOTA:
Si la fracción de muestreo f = n/N es pequeña (f < 0.05) y el tamaño de la

población (N) es grande, el factor de corrección  N-n  tiende a uno, entonces

 N-1 

se puede decir que: Varianza MSR  Varianza MCR, es decir:

2x  N − n  2x

n  N − 1  n

Cálculo de la Probabilidad
Dependiendo de la distribución de probabilidad de la variable aleatoria, para el
cálculo de la probabilidad se pueden presentar los siguientes casos:

a) Si la variable aleatoria X tiene distribución Normal.

Si X es una variable aleatoria con distribución normal, con media x y
variancia 2
x , entonces la variable aleatoria x (promedio muestral), también

tiene distribución normal con media x y variancia 2 .

x

2
Esto es, si X ~ N(x , 2  
x )  x ~ N( x , x )

*Para determinar la probabilidad de x debemos estandarizar:

x −
x =Z
~ N(0,1)

x

Ejercicio #1:
Suponga que los pesos de las bolsas de café de un determinado lote se
distribuyen en forma normal con media 225 gramos y desviación estándar 25
gramos. Según las normas de control de calidad, al pesarse una muestra
aleatoria de 20 bolsas de un lote, el lote es ACEPTADO si el peso promedio de
la muestra es mayor a los 215 gramos. ¿Cuál es la probabilidad de que el lote
sea aceptado?
Rpta. 0.9633.

-2- Estadística para la Universidad

 Tema 4 / PC2 / Distribuciones Muestrales / Estadística II

b) Si la variable aleatoria X no tiene distribución Normal.

Si X es una variable aleatoria que NO tiene distribución Normal, entonces la
variable aleatoria x (promedio muestral), tampoco tiene distribución Normal.
Sin embargo, cuando la muestra elegida es suficientemente grande (n ≥ 30),
se puede hallar la probabilidad de x en forma aproximada mediante la
aplicación del Teorema del Límite Central.

Teorema del Límite Central

Sea X es una variable aleatoria cuya distribución tiene media  x y variancia

2
x . Si de ésta distribución se seleccionan al azar, con o sin reemplazo, todas

las muestras aleatorias posibles de tamaño n, se formará una distribución de

promedios muestrales para x , la cual se aproximará más a una distribución
normal conforme n aumente de valor (n  30).
Esto es, si una variable aleatoria no tiene distribución normal, pero se toma
una muestra considerada grande (n  30), entonces por el T.L.C. su
distribución se puede aproximar a una distribución normal.

x ) y n  30  x  N(  x , 
Así tenemos, si X ~ N (x , 2 2 )
x

* Para determinar la probabilidad de x debemos estandarizar:

x −
x  Z ~ N(0,1)

x

Ejercicio #2:
El peso de un artículo es una variable aleatoria X (en gramos), que tiene la
siguiente función de densidad:
f(x) = ½ para 10  x  12
= 0 , de otro modo

Si se eligen al azar y con reemplazo 50 artículos, halle la probabilidad de que

el peso promedio de la muestra supere a la media de su distribución en no
más de 0.03 gramos. Rpta. 0.1443

Estadística para la Universidad -3-

 Tema 4 / PC2 / Distribuciones Muestrales / Estadística II

Distribución de Diferencias de Promedios Muestrales

Dadas dos poblaciones independientes, en las que se definen las variables
aleatorias X1 y X2, distribuidas con medias 1 y 2, y variancias 2 y 2
1 2

respectivamente, dichas variables también serán independientes. Si de las

poblaciones mencionadas se extraen muestras aleatorias de tamaño n 1 y n2,
respectivamente y se obtienen todas las diferencias posibles (x1 − x2 ) , entonces la

variable aleatoria (x1 − x 2 ) llamada diferencia de promedios muestrales tendrá

una distribución con media y variancia dadas por:

 x − x = 1 − 2 ; 2 = 2 + 2
1 2 x1 − x 2 x1 x2

Cálculo de la Probabilidad

a) Si las variables aleatorias X1 y X2 se distribuyen normalmente.

Si X1  N (  x , 2x ) y X2  N (  x , 2 2
x 2 )  (x1 − x 2 )  N (  x1 − x 2 ,  x1 − x 2 )
1 1 2

Por lo tanto para determinar la probabilidad se tiene que estandarizar:

(x1 − x 2 ) − 
x1 − x 2
= Z ~ N(0,1)

x1 − x2

Ejercicio #3:
Una fábrica de arroz tiene dos líneas de producción. La línea I produce bolsas
cuyos pesos se distribuyen normalmente con media 225 gramos y desviación
estándar 25 gramos. La línea II produce paquetes bolsas cuyos pesos también
se distribuyen normalmente con media 228 gramos y desviación estándar 23
gramos. Si se seleccionan aleatoriamente 20 bolsas de cada línea de
producción, ¿cuál es la probabilidad de que el peso promedio de la muestra
de la línea I sea inferior al peso promedio de la muestra de la línea II, en más
de 10 gramos? Rpta. 0.1788

-4- Estadística para la Universidad

 Tema 4 / PC2 / Distribuciones Muestrales / Estadística II

b) Si las variables aleatorias X1 y X2 NO se distribuyen normalmente.

Si las variables aleatorias X1 y X2 no tienen distribución normal, se puede
aplicar el teorema del límite central para aproximar dichas distribuciones a
una distribución normal, para lo cual se requiere que los tamaños de las
muestras n1 y n2 sean suficientemente grandes; es decir que n1 ≥ 30 y n2 ≥
30. Por lo tanto, para determinar la probabilidad se tiene que estandarizar:
(x1 − x 2 ) − 
x1 − x 2
= Z ~ N(0,1)

x1 − x2

Ejercicio #4:
De dos máquinas que embolsan automáticamente café, se han extraído al azar
muestras de 64 bolsitas (de cada máquina). Las distribuciones de probabilidad
del peso de las bolsitas para ambas poblaciones tienen la misma media, y
desviaciones estándar de 6.4 y 7.2 gramos respectivamente. Determine la
probabilidad de que los pesos promedios de las muestras difieran en más de
0.60. Rpta. 0.617

c) Si sólo una de las variables tiene distribución normal.

Si una de las variables aleatorias tiene una distribución Normal y la otra no
tiene distribución Normal, se puede aplicar el teorema del límite central
para aproximar dicha distribución a una distribución normal, para lo cual
se requiere que el tamaño de muestra elegido en esta población sea grande,
es decir n ≥ 30.
Ejercicio #5:
El tiempo requerido para dar servicio a un automóvil en la estación de gasolina
“A” tiene una distribución exponencial con una media de 4 minutos, y en la
estación de gasolina “B” tiene una distribución normal con una media igual a
4 minutos y una variancia 25 (minutos)2.
Si de la estación de servicio A se eligen al azar 32 autos y de la estación de
servicio B se eligen al azar 20 autos, determine la probabilidad de que el
tiempo promedio de servicio en la estación B supere al tiempo promedio de
servicio en la estación A en más de 2 minutos. Rpta. 0.0655

Estadística para la Universidad -5-