DISTRIBUCIN DE MUESTREO

CONCEPTOS GENERALES
En el campo de la inferencia estadstica el estadstico se

interesa en llegar a conclusiones con respecto a la poblacin

cuando es imposible o poco prctico observar todo el
conjunto de observaciones que constituyen la poblacin. Por
tanto, debemos depender de un subconjunto de
observaciones de la poblacin para ayudarnos a hacer
inferencias a la misma poblacin. Esto nos lleva a considerar
la nocin de muestreo.
Una muestra es un subconjunto de una poblacin , que tiene
las siguientes caractersticas:
x

/n

S2

(x

x) 2

n 1

CONCEPTOS GENERALES
El campo de la inferencia estadstica trata bsicamente con

generalizaciones y predicciones. Un estadstico es una

variable aleatoria que depende slo de la muestra observada,
y debe tener una distribucin de probabilidad.
La distribucin de probabilidad de un estadstico se llama

distribucin muestral.

DISTRIBUCIONES MUESTRALES DE
MEDIAS
La primera distribucin muestral importante a considerar es la de

la media
Suponga que una muestra aleatoria de n observaciones se toma
de una poblacin normal con media y varianza 2 , cada
observacin xi para i=1,2,3n, de la muestra tendr la misma
distribucin normal que la poblacin que se muestrea.
La media y varianza de la distribucin de medias muestrales

tiene las siguientes caractersticas:

x ( x1 x2 x3 ... xn ) / n
Tiene una distribucin normal con media
2 3 ... n
x 1

n
y var ianza

x
2

x
n

TEOREMA DEL LIMITE CENTRAL

Si

es la media de una muestra aleatoria de tamao n

tomada de una poblacin con media y varianza 2 ,
entonces la forma lmite de la distribucin de

X
/ n

Conforme n , es la distribucin normal estndar n (z;

0,1 )

TEOREMA DEL LIMITE CENTRAL

La aproximacin normal para x por lo general ser buena si

n 30 sin importar la forma de la poblacin. Si n < 30, la

aproximacin es buena si la poblacin no es muy diferente de
una distribucin normal, y como se dijo antes, si se sabe que
la poblacin es normal, la distribucin muestral de x seguir
una distribucin normal exacta, no importa qu tan pequeo
sea el tamao de las muestras.

Ejemplo
Una empresa de material elctrico fabrica bombillas de luz

que tienen una duracin que se distribuye aproximadamente

en forma normal, con media de 800 horas y desviacin
estndar de 40 horas. Encuentre la probabilidad de que una
muestra aleatoria de 16 bombillas tenga una vida promedio
de menos de 775 horas.
= 800

40
16

= 10

= 775

775800
=-2.5
10

P( < 775) = < 2.5 = 0.0062

DISTRIBUCIN MUESTRAL DE S2
Si se extrae una muestra aleatoria de tamao n de una

poblacin normal con media y varianza 2 , y se calcula la

varianza muestral S2, podemos considerar la distribucin de
la estadstica :
n

S
2

( x x)
i 1

n 1

(n 1) S

( x x)
i 1

DISTRIBUCIN MUESTRAL DE S2
Si S2 es la varianza de una muestra aleatoria de tamao n que

se toma de una poblacin normal que tiene la varianza 2 ,

entonces la estadstica

2

(n 1) S

( x x)
i 1

tiene una distriucin ji cuadrada con v n 1 grados de libertad

Ejemplo
Un fabricante de baterias para automvil garantiza que sus bateras

durarn, en promedio, 3 aos con una desviacin estndar de 1

ao. Si cinco de estas bateras tienen duraciones de 1.9, 2.4, 3.0,
3.5 y 4.2 aos. el fabricante an est convencido de que sus
bateras tienen un desviacin estndar de 1 ao? Suponga que la
duracin de la batera sigue una distribucin normal.
2
2

=
=

()2
=0,815
1
(1) 2
=3,26
2

Como 95% de los valores de 2 con 4 grados de libertad caen

entre 0,484 y 11,143 el valor calculado con 2 = 1 es razonable.

Por lo tanto, el fabricante tiene razon.

DISTRIBUCIN T DE STUDENT
El teorema del lmite central se utiliza para hacer inferencias

acerca de la media de la poblacin o la proporcin. Sin

embargo, para utilizar el teorema del lmite central se supuso
que la varianza o desviacin estndar de la poblacin se
conoce.
Sin embargo, en muchos casos no se conoce la desviacin
estndar y se tiene que hacer una estimacin de S. Como
resultado, una estadstica natural a considerar para tratar con
las inferencias sobre es :
t

x
S
n

DISTRIBUCIN T DE STUDENT
Para derivar la ecuacin de esta distribucin, W.S. Gosset

supone que las muestras se seleccionan de una poblacin

normal. La distribucin t es similar a la distribucin z,
pues ambas son simtricas alrededor de una media de cero.
Ambas distribuciones tienen forma de campana, pero la
distribucin t es ms variable, debido al hecho de que los
valores de t dependen de las fluctuaciones de dos
cantidades, x y S2 , mientras que los valores de z dependen
slo de los cambios de x de una muestra a otra.
Unicamente cuando el tamao de la muestra tiende a ser
grande las dos distribuciones sern la misma.

DISTRIBUCIN T DE STUDENT
Curva de distribucin t para v = 10 grados de libertad

DISTRIBUCIN T DE STUDENT
Se acostumbra representar con t , el valor de t por arriba

del cual encontramos un rea igual a . De aqu, el valor t

con 10 grados de libertad que deja un rea de 0.025 a la
derecha es, t = 2.228. Como la distribucin t es simtrica
alrededor de una media de cero, tenemos:

t1- = - t ; es decir, el valor t que deja un rea de 1 a la derecha y por tanto un rea de a la izquierda, es igual
al valor t negativo que deja un rea de en la cola derecha
de la distribucin.

Ejemplo
Un ingeniero qumico afirma que el rendimiento medio de la

poblacin de cierto proceso en lotes es 500 gramos por milmetro

de materia prima. Para verificar dicha afirmacin muestrea 25
lotes cada mes. Si el valor t calculado cae entre 0.05 0.05
queda satisfecho con su afirmacin. Qu conclusin debera
obtener de una muestra que tiene una media
= 518 y una desviacin estndar
muestral s=40 gramos? Suponga que la distribucin de
rendimientos es aproximadamente normal.
518500

40
25

=2.25

0.05 =1.711 para 24 grados de libertad. Rango de evaluacin -

1.711 y 1.711. El fabricante concluye que el proceso produce un

mejor producto del que pensaba.

DISTRIBUCIN F DE FISHER
La distribucin t de Student se utiliza cuando comparamos

dos o ms medias muestrales. Aunque es de inters que la

informacin muestral arroje luz sobre dos medias de
poblaciones, es frecuente el caso en el que una comparacin,
de la variabilidad sea igual de importante, si no es que ms.
La distribucin F encuentra enorme aplicacin en la
comparacin de varianzas muestrales.

DISTRIBUCIN F DE FISHER
La estadstica F se define como la razn de dos variables

aleatorias independientes ji cuadradas, divididas cada una

entre su nmero de grados de libertad.

(n 1) S

1
2
2

(n 1) S
2

(n 1)
2

2
2

(n 1)
2

2
1

2
2

2
2

DISTRIBUCIN F DE FISHER
Si

son las varianzas de muestras aleatorias

S yS
independientes de tamao n1 y n2 tomadas de poblaciones
normales con varianza
y respectivamente.
2

2
2

2
1

2
2

S
2

1
2

tiene una distribucin F con v1 = n1 -1 y v2 = n2 1 grados de

libertad.

DISTRIBUCIN F DE FISHER
En muchas tablas F de Fisher se dan los valores para dos

niveles de = 0.05 y = 0.01, sin embargo, por medio del

siguiente teorema podemos utilizar las tablas F de Fisher
para encontrar valores de 0.95 0.99.

Al escribir f ( y ) para f con y grados de libertad ,

1

obtenemos :
f ( , )
1

1
f ( , )
2

Ejemplo
Considere las siguientes mediciones de la capacidad de

produccin de calor del carbn producido por dos minas( en

millones de caloras por tonelada):
Mina 1: 8260 8130 8350 8070 8340
Mina 2: 7950 7890 7900 8140 7920 7840
Se puede concluir que son iguales las dos varianzas de
poblacin?

Solucin
1 2 = 2 2
1 = 8230

1 2 =15,750

2 = 7940

2 2 =10,920

F=

1 2 2 2 1 2
2

2 1

90%

= 1,44

90% de confianza
F0.05,4,5=5,19

1
F0.95,4,5=
= =0,1597
F0.05,5,4 6,26

F0.95,4,5

F0.05,4,5

0,1597<f<5,19
La hiptesis es correcta ya que el valor cae dentro del intervalo.