Está en la página 1de 39

6 Distribuciones muestrales

• Objetivo: El alumno identificará las distribuciones de algunos


estadísticos que se utilizan en el muestreo.
• Contenido:
• 6.1 El concepto y la definición de muestra aleatoria y estadístico. Muestreo
aleatorio simple.
• 6.2 Teorema del límite central. Generación de números aleatorios con
distribución normal utilizando el teorema del límite central.
• 6.3 Distribución de la media muestral.
𝑁−1 𝑆 2
• 6.4 Distribución ji-cuadrada. Uso de tablas. Distribución de
𝜎2
• 6.5 Distribución t. Uso de tablas

39 1
Tema de clase
Distribución ji-cuadrada. Uso de tablas.
𝑁−1 𝑆 2
Distribución de
𝜎2

39 2
Chi cuadrada
Su uso más común es cuando se prueba si las mediciones que se
efectuaron siguen una distribución esperada.
Otro de sus usos es en intervalos de confianza y pruebas de hipótesis
para las varianzas o desviaciones estándar.

39 3
Distribución (Prueba) Chi o Ji Cuadrada
Por las características que presenta la distribución normal, hay
distribuciones que se generan a partir de ella, como es la distribución Ji
o Chi cuadrada.

Definición
Sean 𝑍1 , 𝑍2 , … , 𝑍𝑛 ; variables aleatorias independientes con distribución
normal estándar, entonces: Χ 2 = 𝑍12 , 𝑍22 , … , 𝑍𝑛2 es una variable aleatoria
que recibe el nombre de Ji cuadrada con 𝑣 grados de libertad.
Se denota mediante el símbolo 𝑋 2𝑣 .

39 4
Distribución (Prueba) Chi o Ji Cuadrada
Una variable aleatoria continua 𝑋 no negativa tiene una distribución de
probabilidad Ji cuadrada si en las distribuciones de tipo Gamma sustituimos el
𝑣
parámetro 𝛼 = y 𝛽 = 2.
2

La función de densidad de una VAC con distribución Ji cuadrada y parámetro 𝑣 esta


definida por

1
𝑥 𝑣/2 𝑒 −𝑥/2
𝑓 𝑥; 𝑣 = ൞2𝑣/2 Γ 𝑣/2 Al parámetro 𝑣 se llama
0; 𝑥 < 0 grados de libertad y tiene
relación con la muestra .
39 5
Distribución (Prueba) Chi o Ji Cuadrada
Definición
Esta tiene una distribución muestral que es una distribución chi o ji-cuadrada con
gl=n-1 grados de libertad y se denota X2 .

donde n es el tamaño de la muestra, S2 la


El estadístico ji-cuadrada también se puede varianza muestral y 𝜎 2 la varianza de la
dar con la siguiente expresión población de donde se extrajo la muestra.

2 σ 𝑥 − 𝑥ҧ 2
(𝑛 − 1)𝑆
𝜒= 𝜒=
𝜎2 𝜎2
39 6
Distribución Chi o Ji Cuadrada Propiedades

1. Los valores de X2 son mayores o iguales que 0.


2. La forma de una distribución X2 depende del grado de
libertad (gl = n-1). (Existe un número infinito de
distribuciones X2)
3. El área bajo una curva ji-cuadrada y sobre el eje horizontal
es igual a 1.

39 7
Distribución Chi o Ji Cuadrada Propiedades
4. Las distribuciones X2 no son simétricas. Tienen colas
estrechas que se extienden a la derecha; están sesgadas a
la derecha.
5. Cuando n>2, la media de una distribución X2 es n-1 y la
varianza es 2(n-1).

39 8
Distribución Chi o Ji Cuadrada

Función densidad
39 9
Distribución Chi o Ji Cuadrada Propiedades:
La media es igual a μ= ν= n –1
La varianza es igual a 𝜎 2 = (2)(𝑣)

Conforme los grados de libertad aumenta la distribución chi-


cuadrada se aproxima a la distribución normal.

39 10
Ejemplo 1 Distribución Chi o Ji Cuadrada

Utilizar las tablas de la distribución Ji-cuadrada y obtener las


probabilidades
2
1) Si 𝑋2 ~ 𝑋(15) 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑃(𝑋2 ≥ 15.73)
2
2) Si 𝑋2 ~ 𝑋(20) 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑃(𝑋2 < 12.44)

39 11
Ejemplo 1 Distribución Chi o Ji Cuadrada
Utilizar las tablas de la distribución Ji-cuadrada y obtener las probabilidades
2
1) Si 𝑋2 ~ 𝑋(15) 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑃(𝑋2 ≥ 15.73)

Inciso 1) De tablas de la distribución Ji-cuadrada, y observando que las tablas


proporcionan probabilidades de "cola derecha" o de lado derecho, se busca en el
renglón el número de grados de libertad y posteriormente el valor de 15.73 y
𝑃 𝑋2 ≥ 15.73 = 0.4

39 12
Ejemplo 1 Distribución Chi o Ji Cuadrada
Inciso 2) De forma similar, pero utilizando el complemento
𝑃 𝑋2 < 12.44 = 1 − 𝑃 𝑋2 ≥ 12.44 = 1 − 0.9 = 0.1

39 13
Ejemplo 2 Distribución Chi o Ji Cuadrada
Sea una muestra aleatoria de tamaño 20 tomada de
una población con media 8 y variancia 4.
Obtener la probabilidad de que la variancia muestral
2
𝑆𝑛−1 sea mayor o igual a 5.7.

39 14
Ejemplo 2 Distribución Chi o Ji Cuadrada
2
𝑛−1 2 20 − 1 2
𝑃 𝑆𝑛−1 ≥ 5.7 = 𝑃 2
𝑆𝑛−1 ≥ (5.7) = 𝑃 𝑋19 ≥ 27.08
𝜎 4

39 15
Ejemplo 3 Distribución Chi o Ji Cuadrada
AL diseñar mecanismos para lanzar cohetes hacia el espacio, es muy
importante estudiar la varianza de las distancias al centro del blanco a las
que cae el proyectil.
Esa varianza debe ser tan pequeña como sea posible, para determinado
mecanismo de lanzamiento se sabe que esas distancias tienen una
distribución normal cuya varianza es σ 2 =100m2 .
Se lleva a cabo un experimento en el que hay 25 lanzamientos. Sea S2 la
varianza de las distancias entre el impacto del proyectil y el centro del
blanco.
(a) Estimar P(S2 >50);
(b) Hallar P(S2 >150);

39 16
Ejemplo 3 Distribución Chi o Ji Cuadrada
Solución Inciso a)
(𝑛−1)𝑆 2 (25−1)(50)
𝑋2
Utilizando el estimador = = = 12
𝜎2 100
𝑃 𝑆 2 > 50 = 2
𝑃(𝑋 > 12)

𝑃 𝑆 2 > 12 = 0.975 𝑃 𝑋 2 > 50 = 0.975


39 17
Ejemplo 3 Distribución Chi o Ji Cuadrada
P(S2 >150)
(𝑛 − 1)𝑆 2 (25 − 1)(150)
2
𝑋 = = = 36
𝜎 2 100
2 2
𝑃 𝑆 > 150 = 𝑃 𝑋 > 36 = 0.05

39 18
Ejemplo 4 Distribución Chi o Ji Cuadrada
La compañía de baterías Duramás ha desarrollado una nueva batería para celulares.
En promedio, la batería dura 60 minutos por carga. La desviación estándar es de 4
minutos.
Supongamos que el departamento de manufactura corre una prueba de control de
calidad.
Ellos seleccionan 7 baterías al azar. La desviación estándar de las baterías
seleccionadas es de 6 minutos.
¿Qué valor de la estadística chi-cuadrada tenemos para esta prueba?

39 19
Ejemplo 4 Distribución Chi o Ji Cuadrada
Solución
Vamos a expresar el mismo ejemplo de otra manera.
La desviación estándar de la población es de 4 minutos. El departamento de manufactura corrió una prueba de
La desviación estándar de la muestra es de 6 minutos. control de calidad usando 7 baterías seleccionadas al
azar.
El número de observaciones muestreadas es 7. En su prueba, la desviación estándar fue de 6 minutos,
Para calcular la estadística de chi-cuadrada, usamos lo que equivale a un valor de chi-cuadrada de 13.5.
los valores en la ecuación Supongamos que repiten la prueba con otras 7
baterías.
2
𝑛 − 1 𝑠2 (7 − 1)62 ¿Cuál es la probabilidad de que la desviación estándar
𝑋 = = = 13.5 de la nueva prueba sea mayor a 6 minutos?
𝜎2 42
Solución
donde χ2 es la estadística chi-cuadrada,
n el tamaño de la muestra, Sabemos lo siguiente:
s la desviación estándar de la muestra, y Tamaño de la muestra es n= 7 .
Σ la desviación estándar de la población.
Ahora vamos a ver cómo usar este resultado Los grados de libertad son n-1 = 7 -1 = 6.
El valor χ2 para la prueba es 13.5
39 20
http://es.slideshare.net/pilosofando/tabla-chi-cuadrado-16923626
Ejemplo 4 Distribución Chi o Ji Cuadrada
De cualquiera de los dos obtenemos el valor de: 0.96. Esto implica que la probabilidad de que la desviación
estándar de la muestra fuera menor o igual a 6 minutos es 0.96.

Lo anterior significa que la probabilidad de que la desviación estándar sea mayor a 6 minutos es de 1 -0.96 o sea
.04 (muy pequeña).
Probabilidad

Grados de libertad

6 Grados libertad

39 21
Ejemplo 4 Distribución Chi o Ji Cuadrada

39 22
Distribución t Student
De acuerdo al Teorema del Límite Central, la distribución muestral de una estadística (como la
media de la muestra) seguirá una distribución normal, siempre y cuando el tamaño de la muestra
sea suficientemente grande.
Cuando conocemos la desviación estándar de la población podemos calcular un valor z y emplear la
distribución normal para obtener probabilidades sobre la media de la muestra.
Pero si los tamaños de las muestras son muy pequeños, se recurre a una distribución “t de Student
”cuyos valores están dados por:


𝑋−𝜇
𝑡= 𝜎
𝑛
39 23
Distribución t Student
En el caso de la distribución muestral de medias para el caso de que n > 30,
usamos la distribución normal, pero para los casos para cuando n < 30
utilizamos la distribución de los valores t de Student

La distribución t difiere de la de
Normal en que la varianza de t no es
igual 1 a como en la de Z, sino que
depende del tamaño de la de
muestra y siempre es mayor a uno.
Cuando el tamaño de la muestra
tiende a infinito las dos
distribuciones serán las mismas.

39 24
Distribución t Student
De igual manera, la distribución t de Student depende del parámetro grados de
libertad.
gl= df= n –1

39 25
Distribución t Student

𝑋−𝜇 𝑋ത − 𝜇
𝑍= Estadístico 𝑡= 𝑠
𝜎 Distribución
𝑛 Normal 𝑁

Al parámetro 𝑣 se le conoce
como grados de libertad y
La función de densidad
esta relacionado con el
tamaño de la muestra.
𝑛+1
Γ( ) Mientras mayor sea el
𝑡2 −(𝑣+1)ൗ2)
f(t)= 𝑣
2
(1 + Τ𝑣) número de grados de
Γ 𝑛𝜋 libertad, más se asemeja a
2
una distribución normal
39 26
DISTRIBUCIÓN T STUDENT
• La distribución t de Student tiene las
siguientes propiedades:
• La media de la distribución es igual a 0
𝑑𝑓
• La varianza es igual a donde df (se usa
𝑑𝑓−2
también ν), también se pone de la siguiente
𝑣
manera 𝜎 2 = es el número de grados de
𝑣−2
libertad.
• La varianza es siempre mayor que 1, aunque
es muy cercana a 1 cuando se tiene un
número de grados de libertad grande.
• Con infinitos grados de libertad la
distribución t es igual a la normal.

39 27
Ejemplo 1 Distribución t Student
• Sea T una variable aleatoria con distribución t de Student, con 19 grados de
libertad, obtener:
• 1) P(T>1.33)
• 2) El valor de t tal que P(T<t)=0.01
https://www.u-cursos.cl/usuario/b8c892c6139f1d5b9af125a5c6dff4a6/mi_blog/r/tabla_t_student.png

39 28
Ejemplo 1 Distribución t Student
• Sea T una variable aleatoria con distribución t de Student, con 19 grados de
libertad, obtener:
• 1) P(T>1.33)
• 2) El valor de t tal que P(T<t)=0.01
Inciso 1) Buscar el valor más cercano a 1.33 𝑃 𝑇 > 1.33 = 0.1 con 𝑣 = 19

39 29
Ejemplo 1 Distribución t Student
• Sea T una variable aleatoria con distribución t de Student, con 19 grados de
libertad, obtener:
• 1) P(T>1.33)
• 2) El valor de t tal que P(T<t)=0.01
Inciso 2) t es una distribución simétrica 0.01 = 𝑃 𝑇 < 𝑡 = 𝑃(𝑇 ≻ 𝑡)
Localizar 𝛼 = 0.01 y 𝑣 = 19 obteniendo por lo tanto t=-2.5395

39 30
Ejemplo 2 Distribución t Student
• Supongamos que las calificaciones de una prueba están distribuidos
normalmente con una media de 100. Ahora supongamos que
seleccionamos 20 estudiantes y les hacemos un examen. La
desviación estándar de la muestra es de 15. ¿Cuál es la probabilidad
de que el promedio en el grupo de muestra sea cuando más 110?

39 31
Ejemplo 2 Distribución t Student
Solución: Primero calculamos el valor t como en el caso anterior ya sea en
tablas. Nuestros datos son:
Número de grados de libertad: n-1 = 20 -1 = 19.
La media de la población es iguala 100
La media de la muestra es iguala 110
La desviación estándar de la muestra es iguala 15.

El valor t es Usando estos valores nos da un resultado de probabilidad


acumulada de 0.00496. Esto implica que hay una probabilidad de 0.45% de
que el promedio en una muestra sea mayor de 110.

39 32
Ejemplo 2 Distribución t Student
Solución: Primero calculamos el valor t como en el caso anterior ya sea en tablas.
Nuestros datos son:
Número de grados de libertad: n-1 = 20 -1 = 19.
La media de la población es iguala 100
La media de la muestra es iguala 110
La desviación estándar de la muestra es iguala 15.

𝑋ത − 𝜇 110 − 100
𝑡= 𝑠 = = 2.9814
15
𝑁 20

39 33
Ejemplo 2 Distribución t Student
El valor t es Usando estos valores nos da un resultado de probabilidad
acumulada de 0.005. Esto implica que hay una probabilidad de 50-0.05
=0.45 de que el promedio en una muestras sea mayor de 110.

39 34
Ejemplo 2 Distribución t Student

39 35
Ejemplo 3 Distribución t Student
• Un ingeniero químico afirma que el rendimiento de la población de
cierto proceso de lotes es 500 gr./ml de materia prima. Para verificar
esta afirmación muestrea 25 lotes cada mes.
• Si el valor de t calculado cae entre –t0.05 y t0.0.5 queda satisfecho con
su afirmación ¿Qué conclusión debería obtener de una muestra con
una media =518 gr./ml y una desviación estándar muestral de 40 gr?

39 36
Ejemplo 3 Distribución t Student
• De la tabla encontramos que t±0.05para 24 grados de libertad es
±1.711.

• Por tanto, el fabricante queda satisfecho con esta afirmación si una


muestra de 25 lotes rinde un valor t entre –1.711 y 1.711. Se procede
a calcular el valor de t:

39 37
Ejemplo 3 Distribución t Student
Paso 1 Encontrar el valor en la tabla −1.7109 ≤ 𝑡 ≤ 1.7109

Paso 2 Encontrar el valor de la afirmación del inge Datos media 500


ത muestra 518
𝑋−𝜇 518−500
Paso 2.1 Formula 𝑡 = 𝑠 = 40 = 2.25 Desviación estándar muestral 40
Lote 25
𝑁 25

Paso 3 Buscar el resultado en tabla


Es 0.02
Por lo tanto el proceso mejoro
39 38
Ejemplo 3 Distribución t Student

39 39