Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadı́stica I.
1
DISTRIBUCIONES MUESTRALES
Estadı́stica I.
2
DISTRIBUCIONES MUESTRALES
3
DISTRIBUCIONES MUESTRALES
Definición:
Sean X y Y dos variables aleatorias con una distribución conjunta, se dice que
X y Y son estadı́sticamente independientes Sı́ y solo sı́:
Estadı́stica I.
4
DISTRIBUCIONES MUESTRALES
Estadı́stica I.
5
DISTRIBUCIONES MUESTRALES
1. P(a < X < b, c < Y < d) = P(a < X < b)P(c < Y < d)
2. E[XY ] = E[X]E[Y ]
6
DISTRIBUCIONES MUESTRALES
Definición:
Si las variables aleatorias X1, X2, . . . , Xn cumplen que
Entonces se dice que X1, X2, . . . , Xn, forman una muestra aleatoria (m.a);
ası́ que el conjunto de las n variables son estadı́sticamente independientes e
idénticamente distribuı́das. De modo que
n
f (x1, x2, . . . , xn) = ∏ f (xi) E[Xi] = µ Var[Xi] = σ2 i = 1, 2, 3, . . . , n
i=1
Estadı́stica I.
7
DISTRIBUCIONES MUESTRALES
*
Este tema se estudia más adelante
Estadı́stica I.
8
DISTRIBUCIONES MUESTRALES
Estadı́stica I.
9
DISTRIBUCIONES MUESTRALES
¿Cuál es la distribución de X̄ ?
¿Cuál es la distribucción de S2 ?
¿Cuál es la dsitribución de Xn ; con X ∼ b(n, p)?.
Estadı́stica I.
10
DISTRIBUCIÓN DE LA MEDIA MUESTRAL
Definición:
Sea X1, . . . , Xn una muestra aleatoria de una distribución con media µ y vari-
anza σ2. n
1
Sea X̄ = n ∑ Xi. Ahora
i=1
" #
1 n
E[X̄] = E ∑ Xi
n i=1
1 n
= ∑ E[Xi] por propiedad del valor esperado
n i=1
1 n
= ∑ µ como los Xi son una m.a. tienen la misma media
n i=1
1
= (nµ)
n
=µ
Estadı́stica I.
11
DISTRIBUCIÓN DE LA MEDIA MUESTRAL
" #
1 n
Var[X̄] = Var ∑ Xi
n i=1
1 n
= 2 ∑ Var[Xi] como los Xi son una m.a. son independientes
n i=1
1 n 2
= 2 ∑σ como los Xi son una m.a. tienen la misma varianza
n i=1
1
= 2 (nσ2)
n
σ2
=
n
Ası́ la distribución muestral de X̄ , tiene media µ y varianza σn .
2
Estadı́stica I.
12
DISTRIBUCIÓN DE LA MEDIA MUESTRAL
n
Análogamente se tiene que si T = ∑ Xi entonces E[T ] = nµ y Var[T ] = nσ2
i=1
TEOREMA:
Suponga que X1, . . . , Xn es una muestra aleatoria de una población normal
con media µ y varianza σ2, entonces
n
X̄ ∼ n(µ, σ2/n) T= ∑ Xi ∼ n(nµ, nσ2)
i=1
Ası́
X̄ − µ T − nµ
√ ∼ n(0, 1) y √ ∼ n(0, 1)
σ/ n nσ
Estadı́stica I.
13
DISTRIBUCIÓN DE LA MEDIA MUESTRAL
Ejemplo 1
Suponga que el QI de los estudiantes de primer año de Matemáticas es una
v.a. normalmente distribuı́da con media 120 y varianza 100, se seleccionan
25 estudiantes aleatoriamente.
(b) ¿Cuál debe ser el tamaño de la muestra que garantice que el 5 % de las
veces el QI promedio sea superior a 122?
Estadı́stica I.
14
DISTRIBUCIÓN DE LA MEDIA MUESTRAL
Sln:
Sea X1, . . . , X25 una m.a. que representa los QI de 25 estudiantes de primer
año de matemáticas. Se sabe que Xi ∼ n(120, 100), i = 1, 2, . . . , n.
(a)
X̄ − µ 122 − 120
P(X̄ > 122) = P √ > √ = P(Z > 1) = 1−Φ(1) = 0,1587
σ/ n 10/ 25
Estadı́stica I.
15
DISTRIBUCIÓN DE LA MEDIA MUESTRAL
(b)
X̄ − µ 122 − 120
0,05 = P(X̄ > 122) = P √ > √
σ/ n 10/ n
√
2 n
=P Z> √ = 1−P Z ≤
10/ n 5
√
n
= 1−Φ
5
√ √
n n
⇐⇒ Φ 5 = 0,95 =⇒ 5 = 1,645 =⇒ n = 67,65 ≈ 68
Estadı́stica I.
16
DISTRIBUCIÓN DE LA MEDIA MUESTRAL
Recuerde que si X1, . . . , Xn es una m.a. de una población con media µ y vari-
X̄−µ
anza σ2, la variable aleatoria √ , tiene media cero y varianza uno.
σ/ n
Además,
σ2
lı́m σ = lı́m
2 =0
n→∞ X̄ n→∞ n
por lo tanto el histograma de las X̄ es cada vez más parecido al de una dis-
tribución simétrica en forma de campana.
Estadı́stica I.
17
TEOREMA DEL LÍMITE CENTRAL (TLC)
Suponga que X1, . . . , Xn es una m.a. de una población con media µ y varian-
za σ2. Sea X̄ la media muestral (la cuál depede de n), entonces cuando n
X̄−µ
√ es aproximadamente normal
tiende a infinito, la distribución muestral de
σ/ n
estándar. Escribimos
X̄ − µ a
√ ∼n→∞ n(0, 1)
σ/ n
Entre mayor sea el n mejor es la aproximación. Si la distribucón muestral es
simétrica y continua, los tamaños muestrales permiten obtener buenas aprox-
imaciones. Si la distribución es discreta, se requiere de tamaños muestrales
grandes.
Estadı́stica I.
18
TEOREMA DEL LÍMITE CENTRAL (TLC)
Ası́
X̄ − µ a−µ a−µ
P(X̄ ≤ a) = P √ ≤ √ ≈P Z< √
σ/ n σ/ n σ/ n
Si σ2 es desconocida y n es grande, se puede reemplazar a σ2 por S2. Ası́
X̄ − µ a
√ ∼n→∞ n(0, 1)
S/ n
Estadı́stica I.
19
TEOREMA DEL LÍMITE CENTRAL (TLC)
Ejemplo 2
Parmenio vende ensalada de frutas en tres tamaños diferentes: Pequeño, me-
diano y grande, cuyos precios son 1800, 2500 y 4000, respectivamente. De
todas las ensaldas vendidas el 30 % son pequeñas, 20 % medianas y 50 %
grandes. Durante un dı́a dado se reporta la venta de 225 ensaladas. Calcule
la probabilidad de que el ingreso obtenido supere los 720000.
Estadı́stica I.
20
TEOREMA DEL LÍMITE CENTRAL (TLC)
Sln:
Si decimos que X1, . . . , X225 es una muestra aleatoria que representa los pre-
cio de las 225 ensaladas tenemos que:
De donde
4000
µx = E[X] = ∑ xp(x) = 1800 ∗ 0,3 + 2500 ∗ 0,2 + 4000 ∗ 0,5 = 3040
x=1800
4000
E[X 2] = ∑ x2 p(x) = (1800)2 ∗0,3+(2500)2 ∗0,2+(4000)2 ∗0,5 = 10222000
x=1800
Estadı́stica I.
21
TEOREMA DEL LÍMITE CENTRAL (TLC)
Luego
! !
225 1 225 720000
P ∑ Xi > 720000 =P ∑ Xi >
n i=1 225
i=1
= P(X̄ > 3200)
X̄ − µ 3200 − 3040
=P √ > √
σ/ n 990,1515/ 225
160
=P Z> √
990,1515/ 225
= P(Z > 2,42) = 1 − P(Z ≤ 2,42)
= 1 − 0,99224
= 0,0078
Estadı́stica I.
22
TEOREMA DEL LÍMITE CENTRAL (TLC)
Ejemplo 3
La resistencia a la compresión del concreto es una v.a con una resistencia me-
dia de 2500 psi y una desviación estándar de 50 psi. Si se examinan 36 espec-
imenes de concreto, ¿cuál es la probabilidad de que la resistencia promedio
en esta muestra esté entre 2497 y 2505?
Sln:
Si decimos que X1, . . . , X36 es una muestra aleatoria que representa las re-
sistencias a la comprensión de los 36 especı́menes. Se sabe que
Estadı́stica I.
23
TEOREMA DEL LÍMITE CENTRAL (TLC)
2497 − 2500 X − µ 2505 − 2500
P(2497 < X̄ < 2505) = P √ < √ < √
50/ 36 σ/ n 50/ 36
≈ P(−0,36 < Z < 0,6)
= P(Z < 0,6) − P(Z < −0,36)
= Φ(0,6) − Φ(−0, 36)
= Φ(0,6) − 1 + Φ(0, 36)
= 0,725747 − 1 + 0,640576
= 0,3663
Estadı́stica I.
24