Distribuciones fundamentales

del Muestreo
Población: Consiste en la totalidad de
las observaciones en las que estamos
interesados.
Cada observación en una población
es un valor de una v. a. X que tiene
alguna distribución de probabilidad .f x 
 población normal
población f x 

La media(valor esperado) de una

población

La varianza de la población
 Población

Muestra
Muestra
INFERIR

Población
¿Qué información nos trasmiten los datos?

Muestra Aleatoria: ''observaciones realizadas

al azar en forma independiente''
 Muestra Aleatoria
v. a. Xi i= 1,...,n Xi :''i_ésima medición
o valor de la muestra que
observemos''
X ,, X n
1
muestra aleatoria de la población f (x)
x ,, xn
1
 Estadístico
Cualquier función de las v. a. que forman
una muestra aleatoria.

n n

 Xi
2
 X
i 1
i X
2

X i 1 S 
n n 1
 Distribución Muestral
La distribución de probabilidad de un
estadístico

Distribución Muestral de la Media

X ~. normal  ,  2

  2

X ~. normal   , 

 n 
 3 4
1
2

E(X)=2.5 Var(X)=1.25=5/4
 3 4
1 2 frec

0
1 2 3 4

E(X)=2.5 Var(X)=1.25=5/4
MUESTRA MEDIA
1 1 1 1 2 1 1 1.3333333
1 1 2 1.3333333 2 1 2 1.6666667
1 1 3 1.6666667 2 1 3 2
1 1 4 2 2 1 4 2.3333333
1 2 1 1.3333333 2 2 1 1.6666667
1 2 2 1.6666667 2 2 2 2
1 2 3 2 2 2 3 2.3333333
1 2 4 2.3333333 2 2 4 2.6666667
1 3 1 1.6666667 2 3 1 2
1 3 2 2 2 3 2 2.3333333
1 3 3 2.3333333 2 3 3 2.6666667
1 3 4 2.6666667 2 3 4 3
1 4 1 2 2 4 1 2.3333333
1 4 2 2.3333333 2 4 2 2.6666667
1 4 3 2.6666667 2 4 3 3
1 4 4 3 2 4 4 3.3333333
MUESTRA MEDIA 4 1 1 2
3 1 1 1.66667 4 1 2 2.33333
3 1 2 2 4 1 3 2.66667
3 1 3 2.33333
4 1 4 3
3 1 4 2.66667
4 2 1 2.33333
3 2 1 2
4 2 2 2.66667
3 2 2 2.33333
4 2 3 3
3 2 3 2.66667
3 2 4 3
4 2 4 3.33333
3 3 1 2.33333 4 3 1 2.66667
3 3 2 2.66667 4 3 2 3
3 3 3 3 4 3 3 3.33333
3 3 4 3.33333 4 3 4 3.66667
3 4 1 2.66667 4 4 1 3
3 4 2 3 4 4 2 3.33333
3 4 3 3.33333 4 4 3 3.66667
3 4 4 3.66667 4 4 4 4
Distribución de las medias de las
muestras
VALOR FREC
1 1
1.333333 3
1.666667 6
2 10
2.333333 12
2.666667 12
3 10
3.333333 6
3.666667 3
4 1
Distribución de las medias de las
muestras
14
12
10
8
6
4
2
0
1 1.33 1.67 2 2.33 2.67 3 3.33 3.67 4
 Distribución de las medias de las
muestras
14
12
10
8
6
4
2
0
1 1.33 1.67 2 2.33 2.67 3 3.33 3.67 4

E(Xm)=2.5 Var(Xm)=0.416666666
=5/12
Sea una población con media μ y
desviación típica σ.
La distribución de las medias de las
muestras aleatorias (con reposición)
de tamaño n,
tiene por media μ y desviación
típica σ/√n
 Teorema del límite central
Dada una población, con media μ y
desviación típica σ finitas, y
seleccionamos al azar muestras
aleatorias de tamaño n, entonces a
medida que n crece la distribución de las
medias muestrales se aproxima a una
distribución normal.
 Teorema del límite central
Dada una población, con media μ y
desviación típica σ finitas, y
seleccionamos al azar muestras
aleatorias de tamaño n, entonces la
forma límite de la distribución de Z
conforme n crece indefinidamente
X 
Z ~ N ( z; 0 ,1)
 n
 Distribución muestral de la media
Veremos primero el caso de que la distribución
subyacente sea normal, con media  y varianza  2
La media de la distribución muestral
de medias es 
La varianza de la distribución
muestral de medias es  2 / n

La forma de la distribución muestral de la

media muestral es normal.
 Ejemplo 1
400
Distribución poblacional
subyacente (dist. Normal):
Media = 100
300 Varianza = 225
Desv. típica = 15

200

100 Distribución muestral de la

Desv. típ. = 4.75
media:
Media = 99.9
Tamaño muestral =10
0 N = 3600.00
Media = 100
Varianza = 225/10 =22.5
N10
En este y sucesivos gráficos: Número de muestras n Desv.típica = 22.5  4.74
 Distribución muestral de la media
Veamos ahora el caso en que la distribución subyacente
sea arbitraria, con media  y varianza  2

La media de la distribución muestral de medias es 

2
La varianza de la distribución muestral de medias es  /n
La forma de la distribución muestral de la media
TAMBIÉN tiende a ser normal. En concreto, la
distribución muestral se acercará más y más a
la distribución normal (media  y varianza 2/n)
a medida que se aumente el tamaño de cada
muestra.
 Ejemplo 4 q p p 1  qx
f ( x)  x e , x0
Distribución poblacional
subyacente (dist. Gamma):
( p)
Media = 100 E[ X ] 
p p
Var [ X ]  2
q q
Varianza = 100

0.045
0.04
0.035
0.03
0.025
0.02
0.015
0.01
0.005
0
80 85 90 95 100 105 110 115 120
 Ejemplo 4
Distribución poblacional
subyacente (dist. Gamma):
500
Media = 100
Varianza = 100
400

300

200
Distribución muestral de la
media:
100
Desv. típ. = 3.12 Tamaño muestral = 10
Media = 100.0
0 N = 3600.00 Media = 100
Varianza = 100/10 = 10
DISGAMMA Desv. típica = 10  3.16
 Distribuciones usadas en inferencia
Distribución Ji-Cuadrado o Chi-cuadrado o 2 de
Pearson con “n” grados de libertad.
Sean X1 , X2 , ... ,Xn n variables aleatorias continuas
independientes tal que Xi = N (0,1)
con i = 1, ...,n n (i.i.d.). Definamos la variable
aleatoria: Y 

2 2
X 
i n
i 1 n y
1 
y 2
e 2
Su densidad de probabilidad fY ( y )  n
, x0
será: n
2  
2

2
 

la función gamma es:    1  y

 y
e dy
0

E Y   n Var Y   2 n
 Distribución Muestral de S2
Si S2 es la varianza de una muestra
aleatoria de tamaño n que se toma de una
población normal que tiene la varianza
entonces el estadístico:
(n  1) S 2 n
X i  X  2
2
 
 2
 
i 1  2

tiene una distribución ji cuadrada con n -1

grados de libertad.
 2
(n  1) s
Distribución Muestral de 2
*

Probability Density Function
y=chi2(x,10)
0.175

0.131

0.087

0.044

0.000
0.00 6.25 12.50 18.75 25.00
 TABLA DE 2
orden percentílico

n 0.99 0.975 0.025 0.01

1
p
2
3
4  2n
5

grados de libertad
valores acumulados de 2n
 Distribución t de Student
Student era el seudónimo de W.S. Gosset, un pionero
estadista que trabajó en la Cervecería Guiness de Dublín.
Sea X v.a.c. tal que X ~ N (0,1)
Y v.a.c. tal que Y ~ 2n X
tn 
Y
Con función de densidad de probabilidad:
n
n 1

 n 1  t 
2 2
 1  
 2  n
f T (t )  , t 
n
n 
2
 Distribución t de Student
Supongamos que la población es normal
con media y varianza desconocida y que se
desea hacer inferencias acerca de ,
basada en una muestra pequeña (n < 30)
tomada de la población. En este caso la
distribución de la media muestral X ya
no es normal, sino que sigue la distribución
t de Student.
 Distribución t de Student

Si de una población Normal con media  y

desviación estándar  se extrae una muestra
de tamaño n, entonces el estadístico:
x 
t 
s
n
se distribuye como una t de Student con n-1
grados de libertad.
La distribución t de Student es bastante
similar a la Normal Estándar, con la
diferencia que se aproxima más lentamente
al eje horizontal.

El parámetro de esta distribución son los

grados de libertad.
 Curva Normal Estandar y T con 5 grados de libertad

0.4
Curva Normal
Estandar
0.3
C2

0.2

0.1
t con 5gl.

0.0

-4 -3 -2 -1 0 1 2 3 4

x
Hecho por Edgar Acuna
 n
E t   0 Var t  
n2
 x 
t 
s
n
Cuando la distribución de la población
de la que obtenemos las medias
muestrales no es normal, el estadístico
anterior, se distribuye como una normal
tipificada para valores de n > 30.
 TABLA DE LA DISTRIBUCION t DE
STUDENT
orden percentílico

n t.55 t.60 t.99 t.995

1
2
3
4
5

tp
grados de libertad valores
acumulados de tp
 Distribución F de Fisher o F-Snedecor
Sea X v.a.c. tal que X ~ 2n
Y v.a.c. tal que Y ~ 2m independientes
X
Definamos Z  n  F ( n, m )
Y
m
n/2 n/2 nm
n m   n 1 nm
 2  2 
f Z ( z)  z ( n  m) 2 , z0
n m
  
2  2 
 m 2
2m ( n  m  2)
E Z   V Z  
m2 2
n( m  2 ) ( m  4 )

(m,n)
 2 2
s /
x* x
Distribución muestral del estimador 2
s /
y*
2
y

Cuando las distribuciones de la que obtenemos

las varianzas muestrales son normales:
N ( x , x ) y N ( y , y )
y extraemos dos muestras de tamaño n y m
respectivamente. El estadístico anterior se
distribuye según la distribución F de Fisher con
n - 1 grados de libertad en el numerador y m -1
grados de libertad en el denominador, Fn-1, m-1.