“AÑO DEL BICENTENARIO, DE LA CONSOLIDACIÓN DE NUESTRA

INDEPENDENCIA, Y DE LA CONMEMORACIÓN DE LAS HEROICAS

BATALLAS DE JUNÍN Y AYACUCHO”

FACULTAD DE INGENIERÍA CIVIL

ESCUELA PROFESIONAL DE INGENIERÍA CIVIL

UNIVERSIDAD NACIONAL DE SAN AGUSTÍN

MONOGRAFÍA

“DISTRIBUCIONES MUESTRALES”
CURSO:
ESTADISTICA PARA INGENIEROS

 MENDOZA VILLANUEVA, RENE HENRY CUI: 20230314

DOCENTE: AURIA JULIETA FLORES LUNA

AREQUIPA-PERÚ
2023
ÍNDICE
 INTRODUCCIÓN

En el vasto campo de la estadística, una de las herramientas fundamentales es el

concepto de distribuciones muestrales. Estas distribuciones desempeñan un papel crucial al

permitirnos comprender y analizar el comportamiento de estadísticas muestrales,

proporcionando así una base sólida para la inferencia estadística. La inferencia estadística se

refiere a la capacidad de realizar afirmaciones o predicciones sobre una población en función

de la información recopilada de una muestra representativa.

Cuando se trabaja con estadísticas muestrales, es esencial comprender que la

variabilidad es una constante. No todas las muestras extraídas de una población serán

idénticas, y esto da lugar a la necesidad de entender cómo se distribuyen las estadísticas

muestrales. Aquí es donde entran en juego las distribuciones muestrales.

Una distribución muestral es, esencialmente, la distribución de una estadística

muestral particular derivada de todas las posibles muestras de tamaño n extraídas de una

población específica. Esto permite a los estadísticos y científicos de datos modelar y

comprender la variabilidad de las estadísticas muestrales, proporcionando las herramientas

necesarias para realizar inferencias precisas sobre la población subyacente.

En resumen, las distribuciones muestrales son un concepto esencial en estadística,

brindando a los investigadores las herramientas necesarias para entender y cuantificar la

variabilidad de las estadísticas muestrales. Al comprender cómo se distribuyen estas

estadísticas, podemos realizar inferencias precisas sobre las poblaciones subyacentes, lo que

es crucial en la toma de decisiones basada en datos y la investigación científico.

 CAPÍTULO I

CONCEPTOS BÁSICOS

1.1 DISTRIBUCIÓN MUESTRAL: es la distribución de probabilidad de un estadístico

calculada a partir de todas las muestras posibles de tamaño n elegidas al azar de una población

determinada.

¿QUE ES UNA DISTBRIBUCIÓN MUESTRAL?

Una función de probabilidad, ya que asigna a cada posible valor de un

estadístico su probabilidad de aparecer en una muestra extraída al azar.

¿IMPORTANCIA DE UNA DISTRIBUCIÓN MUESTRAL?

Uno de los aspectos más destacados de las distribuciones muestrales es el Teorema

del Límite Central, que establece que, a medida que el tamaño de la muestra aumenta, la

distribución muestral de la media tiende a aproximarse a una distribución normal. Este

resultado permite aplicar herramientas basadas en la distribución normal, como intervalos de

confianza y pruebas de hipótesis, en una amplia gama de contextos prácticos.

Los intervalos de confianza, construidos sobre la base de distribuciones muestrales,

son herramientas clave para proporcionar rangos de valores probables para un parámetro

poblacional desconocido. Estos intervalos ofrecen una medida de la certeza asociada con la

estimación y son esenciales para la toma de decisiones informadas en la investigación

científica y el ámbito empresarial.

Además, las distribuciones muestrales son fundamentales para realizar pruebas de

hipótesis, donde se utilizan valores críticos basados en la distribución muestral para evaluar
la significancia estadística de los resultados. Esta aplicación es crucial en la toma de

decisiones que afectan a diversos campos, desde la medicina hasta la planificación

empresarial.

En última instancia, la importancia de las distribuciones muestrales radica en su

capacidad para proporcionar herramientas sólidas y fundamentadas en la teoría estadística

para realizar inferencias precisas a partir de datos muestrales, contribuyendo así a la toma de

decisiones informadas y a la validación científica.

¿TIPOS DE DISTRIBUCIÓN MUESTRAL?

Distribución muestral de la media.

Distribución muestral de la proporción.

Distribución muestral de la diferencia de medias

Distribución muestral de la diferencia de proporciones

Distribución muestral de la varianza

CAPÍTULO II

DISTRIBUCIONES MUESTRALES Y LA TERORÍA CENTRAL DEL LÍMITE

2.1 DISTRIBUCIÓN MUESTRALES : Cuando tomamos múltiples muestras de una

población y calculamos una estadística específica (como la media, la proporción o la

desviación estándar) para cada muestra, creamos lo que se conoce como una distribución

muestral de esa estadística. Por ejemplo, podríamos tomar 100 muestras de tamaño 30 de una

población y calcular la media para cada una de ellas. La distribución de estas medias

muéstrales es la distribución muestral de medias.

2.1.1 DISTRIBUCIÓN DE LA MEDIA MUESTRAL

Para cada muestra aleatoria posible de tamaño n tomadas de esta población podemos

calcular la media muestral xi , la cual variará de muestra a muestra. Entonces podríamos

construir una distribución de medias muestrales que estaría caracterizada por su valor

esperado (la media de la media muestral = x µ ), y su varianza (la varianza de la media

muestral = 2 x σ ). Por supuesto, podríamos calcular la desviación estándar de la media

muestral, también denominada error estándar de la media = x σ .

Ejemplo: supongamos que existe una población compuesta por cuatro personas con

las siguientes alturas en cm: 158 - 159 - 160 - 161. El promedio de altura de esta población

es µ = 159.5 cm, la varianza = 1.25cm2. Todas las muestras posibles, con reposición, de

tamaño 2 que podríamos tomar de esta población serían:

 El valor esperado (media) de la media muestral es igual a la media poblacional:

E(X) = µ= µ

En el ejemplo:

E(x) = ∑ i x.f(xi) = (158x0,0625 + 158,5x0,125 + …+ 161x0,0625) = 159.5 cm

La varianza de la media muestral se puede calcular usando la fórmula conocida para

varianza poblacional (de todas las muestras posibles):

V(x) = ∑ (Xi - µ)2 . f (xi) =

[(158 - 159.5)2x0,0625 + (158,5 -159.5)2x0,125 + …+ (161 – 159.5)2x0,0625)]

= 0.625cm2

Se puede deducir que, en general, la varianza de la media será igual a la varianza

poblacional dividido el tamaño de la muestra: 2 ( )= ⇒ = σ σ σ V X n n x En el ejmplo : V(x)

= 0.125/2 = 0.625 cm2

2.1.1 DISTRIBUCIÓN DE LA PROPORCIÓN MUESTRAL

Si X es una variable con distribución binomial con parámetro π ππ π , donde π es la

probabilidad de éxito de la población, podemos tomar muestras repetidas de tamaño n y para

cada una calcular la proporción poblacional p, como p = x/n; es decir el cociente entre el nº

de casos favorables en la muestra y el nº de casos posibles (tamaño de la muestra). Los valores

de p variarían entre una y otra muestra, por lo que p es una variable aleatoria. Si n fuera

suficientemente grande, según el teorema central del límite, esta variable p tendría
distribución aproximadamente normal con: fuera suficientemente grande, según el teorema

central del límite, esta variable p tendría distribución aproximadamente normal con:

Los valores de n requeridos para que se cumpla el teorema dependen del valor de π

ππ π. A medida que π ππ π se aleja de 0,5, n deberá ser más grande.

Para calcular las probabilidades asociadas a valores particulares de p, aplicaremos la

transformación Z, utilizando luego la tabla de distribución normal estandarizada.

Si la población es finita y el muestreo se hace sin reposición, debe aplicarse el FCPF

al cálculo de la varianza de p, quedando:

Para mejorar la aproximación, especialmente si el n es chico (entre 10 y 30),

deberemos aplicar el factor de corrección por continuidad (FCC), ajuste que se hace por estar
tomando a una variable con distribución discreta como si fuera continua. Para ello se debe

restar ½ n al valor absoluto de po - π al calcular el valor Z:

Ejemplo cálculo de probabilidades asociadas a valores de proporción muestral: En un

depósito de frutos el 40% de los mismos están atacados por un hongo. Si se extrae una

muestra al azar de 200 frutos, cuál es la probabilidad de que:

a) menos del 45 % estén afectados por el hongo.

b) entre 0,47 y 0,50 de los frutos estén afectados por el hongo.

2.2 LA TERORÍA CENTRAL DEL LÍMITE: Dada una población con cualquier distribución

con media µ y varianza finita σ σ2, la distribución muestral de la media, calculada a partir de

muestras aleatorias repetidas de tamaño n de esta población, estará distribuida en forma

aproximadamente normal, con media µ y varianza igual a σ σσ σ2/n, cuando el tamaño de la

muestra sea suficientemente grande.

Como regla práctica se considera que n es suficientemente grande si es ≥ 30.

Los únicos supuestos que deben cumplirse para aplicar el TCL son: que las muestras

sean tomadas en forma aleatoria y que la varianza sea finita. Además, se considera que el

muestreo repetido se realiza con reposición, o que el muestro se realiza sin reposición pero

la población es infinita.

CAPITULO III

DISTRIBUCIÓN NORMAL Y DISTRIBUCIÓN T DE STUDENT

3.1 DISTRIBUCIÓN NORMAS

La distribución normal tiene una forma de campana de Gauss, lo que significa que es

simétrica alrededor de su media. La distribución normal está completamente caracterizada

por su media (μ) y su desviación estándar (σ).

Es posible estandarizar cualquier variable normal para convertirla en una variable

estándar normal con una media de 0 y una desviación estándar de 1. Esto se logra utilizando

la fórmula , donde es el valor original, es la media y es la desviación estándar.

 Es una distribución con forma de campana donde las desviaciones estándar sucesivas

con respecto a la media establecen valores de referencia para estimar el porcentaje de

observaciones de los datos.

APLICACION A LA INGENIERIA CIVIL

Generalmente la distribución normal es la más utilizada para representar todo tipo de

variable aleatoria y es usada en la geotecnia rama de la ingeniería civil encargada del estudio

de las propiedades del medio geológico.

Cuando no se conoce la distribución de un parámetro en una muestra se usa esta

distribución, que puede ser ajustada conociendo los valores máximos, medidas de

centralización y dispersión.

Otro,La aplicaciòn del paràmetro m, del mòdulo de deformacion de la roca intacta o

de la resistencia a la compresiòn, establece la distribuciòn estadìstica de los paràmetros , Por

ejemplo, si para el calculo del mòdulo de deformaciòn de la roca maciza los valores fijos de

GSI y D para un modulo de deformacion de la roca intacta cuya distribucion de resultados se

ajusta a una distribucion normal, el resultado sera una distribucion normal.

3.1 DISTRIBUCIÓN T DE STUDENT

La distribución t tiene forma de campana, similar a la distribución normal, pero con

colas más pesadas. A medida que aumenta el número de grados de libertad, la distribución t

se aproxima a la distribución normal estándar.

Los grados de libertad son un parámetro crucial que afecta la forma de la distribución

t. Cuantos más grados de libertad, más se parece la distribución t a una distribución normal.

Cuando el tamaño de la muestra es grande, la distribución t se aproxima a la

distribución normal estándar (z). Por lo tanto, para muestras grandes, la elección entre la

distribución t y la distribución normal depende de si se conoce o no la desviación estándar

de la población.
 CAPÍTULO IV

INTERVALOS DE CONFIANZA Y ESTIMACIÓN PUNTUAL

4.1 INTERVALOS DE CONFIANZA

En estadísticas, un intervalo de confianza es un rango de valores que se utiliza para

estimar un parámetro desconocido de una población. Este rango proporciona una medida de

la certeza o confianza asociada con la estimación. Un intervalo de confianza se calcula a

partir de los datos de una muestra y tiene la propiedad de que, si tomamos muchas muestras

y calculamos un intervalo de confianza para cada una, un cierto porcentaje (llamado nivel de

confianza) de estos intervalos contendría el verdadero valor del parámetro desconocido.

Un intervalo de confianza típicamente se expresa en la forma:

Estimador Puntual±Margen de Error

La fórmula general es:

Estimador Puntual±Valor Crıˊtico×Error Estandar

Donde:

El valor crítico depende del nivel de confianza y la distribución de la variable.

El error estándar se calcula a partir de la desviación estándar muestral y el tamaño de

la muestral.

4.2 ESTIMACIÓN PUNTUAL

es un valor específico o un único número que se utiliza para hacer una inferencia o

una suposición educada sobre un parámetro desconocido de una población. En estadísticas,

el objetivo principal es inferir o estimar características desconocidas de una población

basándose en la información proporcionada por una muestra tomada de esa población.

Proporción muestral como estimador de la proporción poblacional

Proporción muestral como estimador de la proporción poblacional. Mediana muestral

como estimador de la mediana poblacional

Mediana muestral como estimador de la mediana poblacional.

 CONCLUSIONES

Las distribuciones muestrales proporcionan un marco teórico que nos permite

comprender cómo se comportan los estimadores muestrales. Gracias al Teorema del Límite

Central, entendemos que, a medida que el tamaño de la muestra aumenta, la distribución

muestral de la media tiende a aproximarse a una distribución normal, independientemente de

la forma de la población original. Este resultado es fundamental para realizar inferencias

estadísticas, como la construcción de intervalos de confianza y la realización de pruebas de

hipótesis.

La noción de distribuciones muestrales nos permite cuantificar la variabilidad

inherente en la estimación de parámetros a partir de muestras. Los intervalos de confianza,

basados en distribuciones muestrales, proporcionan rangos de valores dentro de los cuales es

probable que se encuentre el verdadero parámetro poblacional. Esto ayuda a los

investigadores y analistas a comunicar la incertidumbre asociada con sus estimaciones.

En resumen, comprender las distribuciones muestrales es esencial para llevar a cabo

inferencias válidas a partir de datos muestrales, brindándonos herramientas sólidas para

tomar decisiones informadas en una amplia variedad de campos, desde la investigación

científica hasta la toma de decisiones empresariales.