Estadı́stica I

Distribución de la Media Muestral

Parte II

Prof. Bulmaro Juárez Hernández

Otoño 2019
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 1 / 25
1.5.1 Distribución Exacta de X
En seguida se presentan las distribuciones exactas de X para algunas
distribuciones especı́ficas.
La distribución Bernoulli. Si X1 , X2 , . . . , Xn es una m.a. de una
distribución tipo Bernoulli, podemos encontrar la distribución exacta de X .
Ya se sabe que X̄ tiene una distribución aproximadamente normal.
También se sabe que la función de densidad de probabilidades (f.d.p.) de
la distribución Bernoulli con parámetro p está dada por:

f (x) = p x (1 − p)1−x I{0,1} (x).

Pn
Sabemos que i=1 Xi ∼ bin(n, p), esto es,

n
" # 
X n k
P Xi = k = p (1 − p)n−k I{0,1,...,n} (k);
k
i=1

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 2 / 25
1.5.1 Distribución Exacta de X
En seguida se presentan las distribuciones exactas de X para algunas
distribuciones especı́ficas.
La distribución Bernoulli. Si X1 , X2 , . . . , Xn es una m.a. de una
distribución tipo Bernoulli, podemos encontrar la distribución exacta de X .
Ya se sabe que X̄ tiene una distribución aproximadamente normal.
También se sabe que la función de densidad de probabilidades (f.d.p.) de
la distribución Bernoulli con parámetro p está dada por:

f (x) = p x (1 − p)1−x I{0,1} (x).

Pn
Sabemos que i=1 Xi ∼ bin(n, p), esto es,

n
" # 
X n k
P Xi = k = p (1 − p)n−k I{0,1,...,n} (k);
k
i=1

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 2 / 25
1.5.1 Distribución Exacta de X
En seguida se presentan las distribuciones exactas de X para algunas
distribuciones especı́ficas.
La distribución Bernoulli. Si X1 , X2 , . . . , Xn es una m.a. de una
distribución tipo Bernoulli, podemos encontrar la distribución exacta de X .
Ya se sabe que X̄ tiene una distribución aproximadamente normal.
También se sabe que la función de densidad de probabilidades (f.d.p.) de
la distribución Bernoulli con parámetro p está dada por:

f (x) = p x (1 − p)1−x I{0,1} (x).

Pn
Sabemos que i=1 Xi ∼ bin(n, p), esto es,

n
" # 
X n k
P Xi = k = p (1 − p)n−k I{0,1,...,n} (k);
k
i=1

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 2 / 25
1.5.1 Distribución Exacta de X
En seguida se presentan las distribuciones exactas de X para algunas
distribuciones especı́ficas.
La distribución Bernoulli. Si X1 , X2 , . . . , Xn es una m.a. de una
distribución tipo Bernoulli, podemos encontrar la distribución exacta de X .
Ya se sabe que X̄ tiene una distribución aproximadamente normal.
También se sabe que la función de densidad de probabilidades (f.d.p.) de
la distribución Bernoulli con parámetro p está dada por:

f (x) = p x (1 − p)1−x I{0,1} (x).

Pn
Sabemos que i=1 Xi ∼ bin(n, p), esto es,

n
" # 
X n k
P Xi = k = p (1 − p)n−k I{0,1,...,n} (k);
k
i=1

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 2 / 25
1.5.1 Distribución Exacta de X
En seguida se presentan las distribuciones exactas de X para algunas
distribuciones especı́ficas.
La distribución Bernoulli. Si X1 , X2 , . . . , Xn es una m.a. de una
distribución tipo Bernoulli, podemos encontrar la distribución exacta de X .
Ya se sabe que X̄ tiene una distribución aproximadamente normal.
También se sabe que la función de densidad de probabilidades (f.d.p.) de
la distribución Bernoulli con parámetro p está dada por:

f (x) = p x (1 − p)1−x I{0,1} (x).

Pn
Sabemos que i=1 Xi ∼ bin(n, p), esto es,

n
" # 
X n k
P Xi = k = p (1 − p)n−k I{0,1,...,n} (k);
k
i=1

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 2 / 25
Por lo que, la distribución de X esta dada por:

   
k n k
P Xn = = p (1 − p)n−k , para k = 0, 1, . . . , n. (18)
n k

La cual podemos escribir de forma más conveniente como:

 
n
p nx (1−p)n(1−x) , para x = 0, 1/n, 2/n, . . . , 1.
 
P Xn = x = (18a)
nx

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 3 / 25
Por lo que, la distribución de X esta dada por:

   
k n k
P Xn = = p (1 − p)n−k , para k = 0, 1, . . . , n. (18)
n k

La cual podemos escribir de forma más conveniente como:

 
n
p nx (1−p)n(1−x) , para x = 0, 1/n, 2/n, . . . , 1.
 
P Xn = x = (18a)
nx

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 3 / 25
Por lo que, la distribución de X esta dada por:

   
k n k
P Xn = = p (1 − p)n−k , para k = 0, 1, . . . , n. (18)
n k

La cual podemos escribir de forma más conveniente como:

 
n
p nx (1−p)n(1−x) , para x = 0, 1/n, 2/n, . . . , 1.
 
P Xn = x = (18a)
nx

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 3 / 25
Por lo que, la distribución de X esta dada por:

   
k n k
P Xn = = p (1 − p)n−k , para k = 0, 1, . . . , n. (18)
n k

La cual podemos escribir de forma más conveniente como:

 
n
p nx (1−p)n(1−x) , para x = 0, 1/n, 2/n, . . . , 1.
 
P Xn = x = (18a)
nx

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 3 / 25
La distribución Poisson. Si X1 , X2 , . . . , Xn es una m.a. de una
distribución tipo Poisson, podemos encontrar la distribución exacta de X .
Igual que antes, ya se sabe que X tiene una distribución aproximadamente
normal. También se sabe que la función de densidad de probabilidades
(f.d.p.) de la distribución Poisson con parámetro λ está dada por:

e −λ λx
f (x) = I (x)
x! {0,1,2,...}
Pn
Ahora, como i=1 Xi ∼ P(nλ), entonces

n
" #
  X e −nλ (nλ)nx
P Xn = x = P Xi = nx = ,
(nx)!
i=1

para x = 0, 1/n, . . . , 1, 1 + 1/n, . . . , 2, 2 + 1/n, . . . , (19)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 4 / 25
La distribución Poisson. Si X1 , X2 , . . . , Xn es una m.a. de una
distribución tipo Poisson, podemos encontrar la distribución exacta de X .
Igual que antes, ya se sabe que X tiene una distribución aproximadamente
normal. También se sabe que la función de densidad de probabilidades
(f.d.p.) de la distribución Poisson con parámetro λ está dada por:

e −λ λx
f (x) = I (x)
x! {0,1,2,...}
Pn
Ahora, como i=1 Xi ∼ P(nλ), entonces

n
" #
  X e −nλ (nλ)nx
P Xn = x = P Xi = nx = ,
(nx)!
i=1

para x = 0, 1/n, . . . , 1, 1 + 1/n, . . . , 2, 2 + 1/n, . . . , (19)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 4 / 25
La distribución Poisson. Si X1 , X2 , . . . , Xn es una m.a. de una
distribución tipo Poisson, podemos encontrar la distribución exacta de X .
Igual que antes, ya se sabe que X tiene una distribución aproximadamente
normal. También se sabe que la función de densidad de probabilidades
(f.d.p.) de la distribución Poisson con parámetro λ está dada por:

e −λ λx
f (x) = I (x)
x! {0,1,2,...}
Pn
Ahora, como i=1 Xi ∼ P(nλ), entonces

n
" #
  X e −nλ (nλ)nx
P Xn = x = P Xi = nx = ,
(nx)!
i=1

para x = 0, 1/n, . . . , 1, 1 + 1/n, . . . , 2, 2 + 1/n, . . . , (19)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 4 / 25
La distribución Poisson. Si X1 , X2 , . . . , Xn es una m.a. de una
distribución tipo Poisson, podemos encontrar la distribución exacta de X .
Igual que antes, ya se sabe que X tiene una distribución aproximadamente
normal. También se sabe que la función de densidad de probabilidades
(f.d.p.) de la distribución Poisson con parámetro λ está dada por:

e −λ λx
f (x) = I (x)
x! {0,1,2,...}
Pn
Ahora, como i=1 Xi ∼ P(nλ), entonces

n
" #
  X e −nλ (nλ)nx
P Xn = x = P Xi = nx = ,
(nx)!
i=1

para x = 0, 1/n, . . . , 1, 1 + 1/n, . . . , 2, 2 + 1/n, . . . , (19)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 4 / 25
La distribución Exponencial.
Si X1 , X2 , . . . , Xn es una m.a. de una distribución tipo Exponencial con
parámetro θ, entonces su f.d.p. esta dada por:

f (x) = θe −θx I(0,∞) (x).

ParaPencontrar la distribución exacta de X , en principio obsérvese que la

v.a. ni=1 Xi ∼ Γ(n, θ), esto es,

θn n−1 −θz
fP Xi (z) = z e I(0,∞) (z),
Γ(n)

O bien,

y
θn n−1 −θz
hX i Z
P Xi ≤ y = z e dz, para y > 0.
0 Γ(n)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 5 / 25
La distribución Exponencial.
Si X1 , X2 , . . . , Xn es una m.a. de una distribución tipo Exponencial con
parámetro θ, entonces su f.d.p. esta dada por:

f (x) = θe −θx I(0,∞) (x).

ParaPencontrar la distribución exacta de X , en principio obsérvese que la

v.a. ni=1 Xi ∼ Γ(n, θ), esto es,

θn n−1 −θz
fP Xi (z) = z e I(0,∞) (z),
Γ(n)

O bien,

y
θn n−1 −θz
hX i Z
P Xi ≤ y = z e dz, para y > 0.
0 Γ(n)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 5 / 25
La distribución Exponencial.
Si X1 , X2 , . . . , Xn es una m.a. de una distribución tipo Exponencial con
parámetro θ, entonces su f.d.p. esta dada por:

f (x) = θe −θx I(0,∞) (x).

ParaPencontrar la distribución exacta de X , en principio obsérvese que la

v.a. ni=1 Xi ∼ Γ(n, θ), esto es,

θn n−1 −θz
fP Xi (z) = z e I(0,∞) (z),
Γ(n)

O bien,

y
θn n−1 −θz
hX i Z
P Xi ≤ y = z e dz, para y > 0.
0 Γ(n)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 5 / 25
La distribución Exponencial.
Si X1 , X2 , . . . , Xn es una m.a. de una distribución tipo Exponencial con
parámetro θ, entonces su f.d.p. esta dada por:

f (x) = θe −θx I(0,∞) (x).

ParaPencontrar la distribución exacta de X , en principio obsérvese que la

v.a. ni=1 Xi ∼ Γ(n, θ), esto es,

θn n−1 −θz
fP Xi (z) = z e I(0,∞) (z),
Γ(n)

O bien,

y
θn n−1 −θz
hX i Z
P Xi ≤ y = z e dz, para y > 0.
0 Γ(n)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 5 / 25
La distribución Exponencial.
Si X1 , X2 , . . . , Xn es una m.a. de una distribución tipo Exponencial con
parámetro θ, entonces su f.d.p. esta dada por:

f (x) = θe −θx I(0,∞) (x).

ParaPencontrar la distribución exacta de X , en principio obsérvese que la

v.a. ni=1 Xi ∼ Γ(n, θ), esto es,

θn n−1 −θz
fP Xi (z) = z e I(0,∞) (z),
Γ(n)

O bien,

y
θn n−1 −θz
hX i Z
P Xi ≤ y = z e dz, para y > 0.
0 Γ(n)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 5 / 25
La distribución Exponencial.
Si X1 , X2 , . . . , Xn es una m.a. de una distribución tipo Exponencial con
parámetro θ, entonces su f.d.p. esta dada por:

f (x) = θe −θx I(0,∞) (x).

ParaPencontrar la distribución exacta de X , en principio obsérvese que la

v.a. ni=1 Xi ∼ Γ(n, θ), esto es,

θn n−1 −θz
fP Xi (z) = z e I(0,∞) (z),
Γ(n)

O bien,

y
θn n−1 −θz
hX i Z
P Xi ≤ y = z e dz, para y > 0.
0 Γ(n)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 5 / 25
La distribución Exponencial.
Si X1 , X2 , . . . , Xn es una m.a. de una distribución tipo Exponencial con
parámetro θ, entonces su f.d.p. esta dada por:

f (x) = θe −θx I(0,∞) (x).

ParaPencontrar la distribución exacta de X , en principio obsérvese que la

v.a. ni=1 Xi ∼ Γ(n, θ), esto es,

θn n−1 −θz
fP Xi (z) = z e I(0,∞) (z),
Γ(n)

O bien,

y
θn n−1 −θz
hX i Z
P Xi ≤ y = z e dz, para y > 0.
0 Γ(n)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 5 / 25
De lo anterior obtenemos:

h yi hX i Z y θn
P Xn ≤ =P Xi ≤ y = z n−1 e −θz dz, para y > 0.
n 0 Γ(n)

Esto es,

nx x
θn n−1 −θz θn
Z Z
(nu)n−1 e −nθu ndu.
 
P Xn ≤ x = z e dz =
0 Γ(n) 0 Γ(n)

Finalmente,
x
(nθ)n n−1 −(nθ)u
Z
 
P Xn ≤ x = u e du.
0 Γ(n)

Ası́ que, X ∼ Γ(n, nθ).

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 6 / 25
De lo anterior obtenemos:

h yi hX i Z y θn
P Xn ≤ =P Xi ≤ y = z n−1 e −θz dz, para y > 0.
n 0 Γ(n)

Esto es,

nx x
θn n−1 −θz θn
Z Z
(nu)n−1 e −nθu ndu.
 
P Xn ≤ x = z e dz =
0 Γ(n) 0 Γ(n)

Finalmente,
x
(nθ)n n−1 −(nθ)u
Z
 
P Xn ≤ x = u e du.
0 Γ(n)

Ası́ que, X ∼ Γ(n, nθ).

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 6 / 25
De lo anterior obtenemos:

h yi hX i Z y θn
P Xn ≤ =P Xi ≤ y = z n−1 e −θz dz, para y > 0.
n 0 Γ(n)

Esto es,

nx x
θn n−1 −θz θn
Z Z
(nu)n−1 e −nθu ndu.
 
P Xn ≤ x = z e dz =
0 Γ(n) 0 Γ(n)

Finalmente,
x
(nθ)n n−1 −(nθ)u
Z
 
P Xn ≤ x = u e du.
0 Γ(n)

Ası́ que, X ∼ Γ(n, nθ).

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 6 / 25
De lo anterior obtenemos:

h yi hX i Z y θn
P Xn ≤ =P Xi ≤ y = z n−1 e −θz dz, para y > 0.
n 0 Γ(n)

Esto es,

nx x
θn n−1 −θz θn
Z Z
(nu)n−1 e −nθu ndu.
 
P Xn ≤ x = z e dz =
0 Γ(n) 0 Γ(n)

Finalmente,
x
(nθ)n n−1 −(nθ)u
Z
 
P Xn ≤ x = u e du.
0 Γ(n)

Ası́ que, X ∼ Γ(n, nθ).

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 6 / 25
 1.6 Muestreo de la distribución Normal
1.6.1 Papel de la distribución Normal en la Estadı́stica
Más adelante se verá el papel predominante que juega la distribución
normal en la estadı́stica. Es claro que el Teorema Central del Lı́mite (como
se verá más adelante) asegura ésto por sı́ solo, pero existen otras razones
igualmente importantes, dentro de la inferencia en diversos metodos
estadı́sticos.
Una de las razones que pondremos en primer lugar es el hecho de que
muchas poblaciones en el curso de la investigación en muchos campos
parecen tener una distribución normal o al menos muy cercana a la
normal, lo cual desde el punto de vista del Teorema Central del Lı́mite
parece muy razonable.
Para ello consideremos el experimento de tiro a un blanco. Por supuesto
que el proyectı́l que se dispara es afectado por una gran cantidad de
factores, todos teniendo un pequeño efecto. De forma que, la desviación
neta es el efecto neto de todos estos factores.
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 7 / 25
 1.6 Muestreo de la distribución Normal
1.6.1 Papel de la distribución Normal en la Estadı́stica
Más adelante se verá el papel predominante que juega la distribución
normal en la estadı́stica. Es claro que el Teorema Central del Lı́mite (como
se verá más adelante) asegura ésto por sı́ solo, pero existen otras razones
igualmente importantes, dentro de la inferencia en diversos metodos
estadı́sticos.
Una de las razones que pondremos en primer lugar es el hecho de que
muchas poblaciones en el curso de la investigación en muchos campos
parecen tener una distribución normal o al menos muy cercana a la
normal, lo cual desde el punto de vista del Teorema Central del Lı́mite
parece muy razonable.
Para ello consideremos el experimento de tiro a un blanco. Por supuesto
que el proyectı́l que se dispara es afectado por una gran cantidad de
factores, todos teniendo un pequeño efecto. De forma que, la desviación
neta es el efecto neto de todos estos factores.
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 7 / 25
 1.6 Muestreo de la distribución Normal
1.6.1 Papel de la distribución Normal en la Estadı́stica
Más adelante se verá el papel predominante que juega la distribución
normal en la estadı́stica. Es claro que el Teorema Central del Lı́mite (como
se verá más adelante) asegura ésto por sı́ solo, pero existen otras razones
igualmente importantes, dentro de la inferencia en diversos metodos
estadı́sticos.
Una de las razones que pondremos en primer lugar es el hecho de que
muchas poblaciones en el curso de la investigación en muchos campos
parecen tener una distribución normal o al menos muy cercana a la
normal, lo cual desde el punto de vista del Teorema Central del Lı́mite
parece muy razonable.
Para ello consideremos el experimento de tiro a un blanco. Por supuesto
que el proyectı́l que se dispara es afectado por una gran cantidad de
factores, todos teniendo un pequeño efecto. De forma que, la desviación
neta es el efecto neto de todos estos factores.
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 7 / 25
 1.6 Muestreo de la distribución Normal
1.6.1 Papel de la distribución Normal en la Estadı́stica
Más adelante se verá el papel predominante que juega la distribución
normal en la estadı́stica. Es claro que el Teorema Central del Lı́mite (como
se verá más adelante) asegura ésto por sı́ solo, pero existen otras razones
igualmente importantes, dentro de la inferencia en diversos metodos
estadı́sticos.
Una de las razones que pondremos en primer lugar es el hecho de que
muchas poblaciones en el curso de la investigación en muchos campos
parecen tener una distribución normal o al menos muy cercana a la
normal, lo cual desde el punto de vista del Teorema Central del Lı́mite
parece muy razonable.
Para ello consideremos el experimento de tiro a un blanco. Por supuesto
que el proyectı́l que se dispara es afectado por una gran cantidad de
factores, todos teniendo un pequeño efecto. De forma que, la desviación
neta es el efecto neto de todos estos factores.
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 7 / 25
 1.6 Muestreo de la distribución Normal
1.6.1 Papel de la distribución Normal en la Estadı́stica
Más adelante se verá el papel predominante que juega la distribución
normal en la estadı́stica. Es claro que el Teorema Central del Lı́mite (como
se verá más adelante) asegura ésto por sı́ solo, pero existen otras razones
igualmente importantes, dentro de la inferencia en diversos metodos
estadı́sticos.
Una de las razones que pondremos en primer lugar es el hecho de que
muchas poblaciones en el curso de la investigación en muchos campos
parecen tener una distribución normal o al menos muy cercana a la
normal, lo cual desde el punto de vista del Teorema Central del Lı́mite
parece muy razonable.
Para ello consideremos el experimento de tiro a un blanco. Por supuesto
que el proyectı́l que se dispara es afectado por una gran cantidad de
factores, todos teniendo un pequeño efecto. De forma que, la desviación
neta es el efecto neto de todos estos factores.
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 7 / 25
Supóngase que el efecto de cada factor es una observación de alguna
población, entonces, el efecto total es escencialmente la media de un
conjunto de observaciones de un conjunto de poblaciones correspondientes.
Considerando la naturaleza de las medias, la desviación real observada
puede, por lo tanto, esperarse que tenga una distribución
aproximadamente normal.
No se intenta afirmar que la mayoria de las distribuciones encontradas en
la práctica sean normales, pero distribuciones cercanas a la normal se
encuentran de manera bastante frecuente.
Otra consideración que favorece a la distribución normal es el hecho de
que distribuciones muestrales basadas en una distribución normal son
bastante manejables analı́ticamente. Al hacer inferencia acerca de
poblaciones usando muestras, generalmente, es necesario obtener las
distribuciones para varias funciones de la muestra.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 8 / 25
Supóngase que el efecto de cada factor es una observación de alguna
población, entonces, el efecto total es escencialmente la media de un
conjunto de observaciones de un conjunto de poblaciones correspondientes.
Considerando la naturaleza de las medias, la desviación real observada
puede, por lo tanto, esperarse que tenga una distribución
aproximadamente normal.
No se intenta afirmar que la mayoria de las distribuciones encontradas en
la práctica sean normales, pero distribuciones cercanas a la normal se
encuentran de manera bastante frecuente.
Otra consideración que favorece a la distribución normal es el hecho de
que distribuciones muestrales basadas en una distribución normal son
bastante manejables analı́ticamente. Al hacer inferencia acerca de
poblaciones usando muestras, generalmente, es necesario obtener las
distribuciones para varias funciones de la muestra.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 8 / 25
Supóngase que el efecto de cada factor es una observación de alguna
población, entonces, el efecto total es escencialmente la media de un
conjunto de observaciones de un conjunto de poblaciones correspondientes.
Considerando la naturaleza de las medias, la desviación real observada
puede, por lo tanto, esperarse que tenga una distribución
aproximadamente normal.
No se intenta afirmar que la mayoria de las distribuciones encontradas en
la práctica sean normales, pero distribuciones cercanas a la normal se
encuentran de manera bastante frecuente.
Otra consideración que favorece a la distribución normal es el hecho de
que distribuciones muestrales basadas en una distribución normal son
bastante manejables analı́ticamente. Al hacer inferencia acerca de
poblaciones usando muestras, generalmente, es necesario obtener las
distribuciones para varias funciones de la muestra.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 8 / 25
Supóngase que el efecto de cada factor es una observación de alguna
población, entonces, el efecto total es escencialmente la media de un
conjunto de observaciones de un conjunto de poblaciones correspondientes.
Considerando la naturaleza de las medias, la desviación real observada
puede, por lo tanto, esperarse que tenga una distribución
aproximadamente normal.
No se intenta afirmar que la mayoria de las distribuciones encontradas en
la práctica sean normales, pero distribuciones cercanas a la normal se
encuentran de manera bastante frecuente.
Otra consideración que favorece a la distribución normal es el hecho de
que distribuciones muestrales basadas en una distribución normal son
bastante manejables analı́ticamente. Al hacer inferencia acerca de
poblaciones usando muestras, generalmente, es necesario obtener las
distribuciones para varias funciones de la muestra.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 8 / 25
El problema matemático de obtener estas distribuciones, frecuentemente,
es más fácil cuando la muestra se toma de una distribución normal que en
cualquier otro caso.
En la aplicación de métodos estadı́sticos basados en la distribución normal,
el investigador debe conocer, al menos en forma aproximada, la forma de
la distribución de donde provienen sus datos. Si la distribución es normal,
el puede usar los metodos directamente, si no lo es, se puede realizar
alguna transformación de sus datos para tratar que estos datos
transformados sigan una distribución normal.
Cuando el investigador no conoce la forma de la distribución de la
población, el puede usar otros métodos más generales, pero menos
potentes en su análisis, llamados métodos no paramétricos.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 9 / 25
El problema matemático de obtener estas distribuciones, frecuentemente,
es más fácil cuando la muestra se toma de una distribución normal que en
cualquier otro caso.
En la aplicación de métodos estadı́sticos basados en la distribución normal,
el investigador debe conocer, al menos en forma aproximada, la forma de
la distribución de donde provienen sus datos. Si la distribución es normal,
el puede usar los metodos directamente, si no lo es, se puede realizar
alguna transformación de sus datos para tratar que estos datos
transformados sigan una distribución normal.
Cuando el investigador no conoce la forma de la distribución de la
población, el puede usar otros métodos más generales, pero menos
potentes en su análisis, llamados métodos no paramétricos.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 9 / 25
El problema matemático de obtener estas distribuciones, frecuentemente,
es más fácil cuando la muestra se toma de una distribución normal que en
cualquier otro caso.
En la aplicación de métodos estadı́sticos basados en la distribución normal,
el investigador debe conocer, al menos en forma aproximada, la forma de
la distribución de donde provienen sus datos. Si la distribución es normal,
el puede usar los metodos directamente, si no lo es, se puede realizar
alguna transformación de sus datos para tratar que estos datos
transformados sigan una distribución normal.
Cuando el investigador no conoce la forma de la distribución de la
población, el puede usar otros métodos más generales, pero menos
potentes en su análisis, llamados métodos no paramétricos.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 9 / 25
 1. La Función Generatriz de Momentos

Algunas de las herramientas más importantes en teorı́a de probabilidad son

tomadas de otras ramas de las matemáticas.

Aquı́ se discutirán dos de tales herramientas cercanamente relacionadas.

Comenzamos con las funciones generatrices de momentos. Luego
trataremos a las funciones caracterı́sticas.

Las últimas son un poco más difı́ciles de entender en un nivel elemental

debido a que requieren del uso de números complejos.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 10 / 25
 1. La Función Generatriz de Momentos

Algunas de las herramientas más importantes en teorı́a de probabilidad son

tomadas de otras ramas de las matemáticas.

Aquı́ se discutirán dos de tales herramientas cercanamente relacionadas.

Comenzamos con las funciones generatrices de momentos. Luego
trataremos a las funciones caracterı́sticas.

Las últimas son un poco más difı́ciles de entender en un nivel elemental

debido a que requieren del uso de números complejos.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 10 / 25
 1. La Función Generatriz de Momentos

Algunas de las herramientas más importantes en teorı́a de probabilidad son

tomadas de otras ramas de las matemáticas.

Aquı́ se discutirán dos de tales herramientas cercanamente relacionadas.

Comenzamos con las funciones generatrices de momentos. Luego
trataremos a las funciones caracterı́sticas.

Las últimas son un poco más difı́ciles de entender en un nivel elemental

debido a que requieren del uso de números complejos.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 10 / 25
 1. La Función Generatriz de Momentos

Algunas de las herramientas más importantes en teorı́a de probabilidad son

tomadas de otras ramas de las matemáticas.

Aquı́ se discutirán dos de tales herramientas cercanamente relacionadas.

Comenzamos con las funciones generatrices de momentos. Luego
trataremos a las funciones caracterı́sticas.

Las últimas son un poco más difı́ciles de entender en un nivel elemental

debido a que requieren del uso de números complejos.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 10 / 25
Definición (Función Generatriz de Momentos)
La función generatriz de momentos (f.g.m.) mX (t) de una variable
aleatoria X se define por

mX (t) = E (e tX ).

El dominio de mX son todos los números reales t tales que E e tX existe;

es decir, tal que e tX tiene esperanza finita.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 11 / 25
Ejemplo
Si X está distribuida en forma normal con media µ y varianza σ 2 , entonces
Z ∞
1 (x−µ)2
tX
mX (t) = E (e ) = e tx √ e − 2σ2 dx.
−∞ σ 2π
Si y = x − µ, entonces
Z ∞ 2
Z ∞
1 1 y2
− y2
mX (t) = e t(y +µ)
√ e 2σ dy = e µt
√ e ty − 2σ2 dy .
−∞ σ 2π −∞ σ 2π

y2 (y − σ 2 t)2 σ 2 t 2
Ahora, ty − = − + ; consecuentemente:
2σ 2 2σ 2 2
1 2t2
mX (t) = e µt+ 2 σ , si − ∞ < t < ∞. (1)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 12 / 25
Ejemplo
Si X tiene la densidad gama con parámetros α y λ, entonces:
Z ∞
tX λα α−1 −λx
mX (t) = E (e ) = e tx x e dx
0 Γ(α)
Z ∞
λα
= x α−1 e −(λ−t)x dx
Γ(α) 0
λα Γ(α)
= ;
Γ(α) (λ − t)α

para −∞ < t < λ. Por otro lado, la integral diverge para λ ≤ t < ∞; ası́,
 α
λ
mX (t) = , para − ∞ < t < λ. (2)
λ−t

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 13 / 25
Ahora, supóngase que X es una v.a. discreta, cuyos posibles valores son
enteros no negativos. Entonces
∞
X
mX (t) = e nt P(X = n).
n=0
Se ha definido la función generatriz de probabilidad para tales v.a.’s
como:
∞
X
ΦX (t) = E (t x ) = t n P(X = n).
n=0
De estas dos últimas expresiones, es claro que:
mX (t) = ΦX (e t ). (3)
La fórmula (3) nos permite determinar la f.g.m. directamente de la función
generatriz de probabilidades. Por ejemplo, si X tiene una distribución
binomial con parámetros n y p, entonces, como se ha mostrado,
ΦX (t) = (pt + 1 − p)n . Siguiéndose inmediatamente que
mX (t) = (pe t + 1 − p)n .
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 14 / 25
Similarmente, si X tiene una distribución Poisson con parámetro λ,
entonces
ΦX (t) = e λ(t−1) .
Consecuentemente
t −1)
mX (t) = e λ(e .
Por supuesto, en estos dos ejemplos, mX (t) puede obtenerse fácilmente en
forma directa de la definición de f.g.m.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 15 / 25
A continuación se presenta otra propiedad importante de la f.g.m.

Si X e Y son v.a.’s independientes, entonces e tX y e tY también son

independientes. En consecuencia
   
mX +Y (t) = E e t(X +Y ) = E e tX e tY
   
= E e tX E e tY = mX (t) · mY (t).

De lo anterior, se sigue inmediatamente que, si X1 , · · · , Xn son

independientes e idénticamente distribuidas, entonces

mX1 +···+Xn (t) = (mX1 (t))n . (4)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 16 / 25
Para entender el porque a mX (t) se le llama f.g.m., escribimos
∞ n n
!
  X t X
mX (t) = E e tX = E . (5)
n!
n=0

Suponiendo que mX (t) es finita sobre −t0 < t < t0 para algún número
positivo t0 . En este caso, uno puede mostrar que en (5) se permite
intercambiar el orden de la esperanza y la sumatoria. En otras palabras,
∞
X E (X n )
mX (t) = t n , para − t0 < t < t0 . (6)
n!
n=0

En particular, si mX (t) es finita para toda t tal que −t0 < t < t0 ,
entonces (6) se cumple para toda t ∈ R.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 17 / 25
Por otro lado, la serie de Taylor (alrededor de 0) para mX (t) es:
∞ n  n 
X t d
mX (t) = mX (t) |t=0 . (7)
n! dt n
n=0

De tal manera que al comparar los coeficientes de t n en (6) y (7), vemos

que:
dn
E (X n ) = n mX (t) |t=0 . (8)
dt

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 18 / 25
Ejemplo
Sea X una v.a. distribuida en forma normal con media 0 y varianza σ 2 .
Use la f.g.m. para encontrar los momentos de X .
Solución: En principio, observe de (1) que,
∞  2 2 n ∞ 
σ 2n

σ2 t 2 X σ t 1 X
mX (t) = e 2 = = t 2n .
2 n! 2n (n!)
n=0 n=0

Ası́, todos los momentos de orden impar para X son cero, y los momentos
de orden par están dados por:

E X 2n


σ 2n (2n)! 2n
, o bien E X 2n = n


= n σ .
(2n)! 2 (n!) 2 (n!)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 19 / 25
Luego, para ilustrar (8).
Puesto que,
d σ2 t 2 σ2 t 2
e 2 = σ 2 te 2 , y
dt

d 2 σ2 t 2 σ2 t 2

2
e 2 = (σ 2 + σ 4 t 2 )e 2 .
dt
Entonces, los dos primeros momentos de la v.a. X son:

d 2 σ2 t 2 
 
d σ2 t 2  2
E [X ] = e 2 = 0, y E [X ] = 2 e 2 = σ2.
dt 
t=0 dt 
t=0

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 20 / 25
 El Método de la Función Generatrı́z de Momentos

El método de la f.g.m. para determinar la distribución de probabilidades de

una función de v.a’s., digamos X1 , . . . , Xn tiene como base el siguiente
teorema de unicidad.
Teorema (Unicidad de la fgm)
Si la Función Generatrı́z de Momentos para la v.a. X existe en alguna
vecindad de t = 0, entonces, ésta determina de forma única la distribución
de la v.a. X.
De manera equivalente, tenemos:
Teorema (Unicidad de la fgm)
Si las Funciones Generatrices de Momentos mX (t) y mY (t) para las v.a’s.
X e Y existen y si mX (t) = mY (t) en alguna vecindad de t = 0. Entonces,
X e Y tienen la misma distribución de probabilidades.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 21 / 25
 El Método de la Función Generatrı́z de Momentos

Si U = g (X1 , . . . , Xn ), el método de la f.g.m. para determinar la

distribución de la v.a. U, consiste en:
(a) Encontrar la f.g.m. de la v.a. U;
(b) Comparar la f.g.m. obtenida con las de otras v.a’s. cuyas f.g.m. son
conocidas. Si mU (t) es igual a una de éstas. Entonces, la distribución
de esa v.a. será la distribución de U.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 22 / 25
1.6.2 La Media Muestral
Una de las más simples de entre todas las posibles funciones de una m.a.
es la media muestral. Y para una m.a. obtenida de una distribución
normal, la distribución exacta de la media muestral también es normal, lo
cual se asienta en el siguiente resultado.
Teorema 6. Sea X n la media muestral de una m.a. de tamaño n de una
distribución normal con media µ y varianza σ 2 . Entonces, X n tiene una
distribución η(µ, σ 2 /n).
Demostración: Para probar este teorema usaremos la técnica de la f.g.m.
es decir,
  P 

 t Xi
mX n (t) = E exp tX n = E exp
n
" n  # n   
Y tXi Y tXi
=E exp = E exp
n n
i=1 i=1
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 23 / 25
1.6.2 La Media Muestral
Una de las más simples de entre todas las posibles funciones de una m.a.
es la media muestral. Y para una m.a. obtenida de una distribución
normal, la distribución exacta de la media muestral también es normal, lo
cual se asienta en el siguiente resultado.
Teorema 6. Sea X n la media muestral de una m.a. de tamaño n de una
distribución normal con media µ y varianza σ 2 . Entonces, X n tiene una
distribución η(µ, σ 2 /n).
Demostración: Para probar este teorema usaremos la técnica de la f.g.m.
es decir,
  P 

 t Xi
mX n (t) = E exp tX n = E exp
n
" n  # n   
Y tXi Y tXi
=E exp = E exp
n n
i=1 i=1
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 23 / 25
1.6.2 La Media Muestral
Una de las más simples de entre todas las posibles funciones de una m.a.
es la media muestral. Y para una m.a. obtenida de una distribución
normal, la distribución exacta de la media muestral también es normal, lo
cual se asienta en el siguiente resultado.
Teorema 6. Sea X n la media muestral de una m.a. de tamaño n de una
distribución normal con media µ y varianza σ 2 . Entonces, X n tiene una
distribución η(µ, σ 2 /n).
Demostración: Para probar este teorema usaremos la técnica de la f.g.m.
es decir,
  P 

 t Xi
mX n (t) = E exp tX n = E exp
n
" n  # n   
Y tXi Y tXi
=E exp = E exp
n n
i=1 i=1
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 23 / 25
1.6.2 La Media Muestral
Una de las más simples de entre todas las posibles funciones de una m.a.
es la media muestral. Y para una m.a. obtenida de una distribución
normal, la distribución exacta de la media muestral también es normal, lo
cual se asienta en el siguiente resultado.
Teorema 6. Sea X n la media muestral de una m.a. de tamaño n de una
distribución normal con media µ y varianza σ 2 . Entonces, X n tiene una
distribución η(µ, σ 2 /n).
Demostración: Para probar este teorema usaremos la técnica de la f.g.m.
es decir,
  P 

 t Xi
mX n (t) = E exp tX n = E exp
n
" n  # n   
Y tXi Y tXi
=E exp = E exp
n n
i=1 i=1
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 23 / 25
1.6.2 La Media Muestral
Una de las más simples de entre todas las posibles funciones de una m.a.
es la media muestral. Y para una m.a. obtenida de una distribución
normal, la distribución exacta de la media muestral también es normal, lo
cual se asienta en el siguiente resultado.
Teorema 6. Sea X n la media muestral de una m.a. de tamaño n de una
distribución normal con media µ y varianza σ 2 . Entonces, X n tiene una
distribución η(µ, σ 2 /n).
Demostración: Para probar este teorema usaremos la técnica de la f.g.m.
es decir,
  P 

 t Xi
mX n (t) = E exp tX n = E exp
n
" n  # n   
Y tXi Y tXi
=E exp = E exp
n n
i=1 i=1
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 23 / 25
1.6.2 La Media Muestral
Una de las más simples de entre todas las posibles funciones de una m.a.
es la media muestral. Y para una m.a. obtenida de una distribución
normal, la distribución exacta de la media muestral también es normal, lo
cual se asienta en el siguiente resultado.
Teorema 6. Sea X n la media muestral de una m.a. de tamaño n de una
distribución normal con media µ y varianza σ 2 . Entonces, X n tiene una
distribución η(µ, σ 2 /n).
Demostración: Para probar este teorema usaremos la técnica de la f.g.m.
es decir,
  P 

 t Xi
mX n (t) = E exp tX n = E exp
n
" n  # n   
Y tXi Y tXi
=E exp = E exp
n n
i=1 i=1
Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 23 / 25
 n n
1 2  t 2
t   
Y Y µt
mXi = exp + σ
n n 2 n
i=1 i=1
( n  )
1 σ2 2
X1  
= exp µt + t
n 2 n
i=1

Esto es,

1 σ2 2
   
mX n (t) = exp µt + t ,
2 n

Podemos observar que esta f.g.m. corresponde a la distribución normal con

media µ y varianza σ 2 /n. Ası́ que,

X n ∼ η(µ, σ 2 /n)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 24 / 25
 n n
1 2  t 2
t   
Y Y µt
mXi = exp + σ
n n 2 n
i=1 i=1
( n  )
1 σ2 2
X1  
= exp µt + t
n 2 n
i=1

Esto es,

1 σ2 2
   
mX n (t) = exp µt + t ,
2 n

Podemos observar que esta f.g.m. corresponde a la distribución normal con

media µ y varianza σ 2 /n. Ası́ que,

X n ∼ η(µ, σ 2 /n)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 24 / 25
 n n
1 2  t 2
t   
Y Y µt
mXi = exp + σ
n n 2 n
i=1 i=1
( n  )
1 σ2 2
X1  
= exp µt + t
n 2 n
i=1

Esto es,

1 σ2 2
   
mX n (t) = exp µt + t ,
2 n

Podemos observar que esta f.g.m. corresponde a la distribución normal con

media µ y varianza σ 2 /n. Ası́ que,

X n ∼ η(µ, σ 2 /n)

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 24 / 25
Como ya contamos con la distribución exacta de X , al considerar la
estimación de µ con X , podriamos calcular la probabilidad exacta de que
nuestro “estimador” X este dentro de cualquier intervalo de parámetros
desconocidos µ.

Prof. Bulmaro Juárez Hernández Estadı́stica I Distribución de la Media Muestral Parte II Otoño 2019 25 / 25