Вы находитесь на странице: 1из 63
Estad´ıstica I Distribuci´on de la Media Muestral Parte II Prof. Bulmaro Ju´arez Hern´andez Prof. Bulmaro

Estad´ıstica I Distribuci´on de la Media Muestral Parte II

Prof. Bulmaro Ju´arez Hern´andez

Prof. Bulmaro Ju´arez Hern´andez

Oto˜no 2019

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 1 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
1 / 25

1.5.1 Distribuci´on Exacta de X

En seguida se presentan las distribuciones exactas de X para algunas distribuciones espec´ıficas.

La distribuci´on Bernoulli. Si X 1 , X 2 ,

distribuci´on tipo Bernoulli, podemos encontrar la distribuci´on exacta de X .

, X n es una m.a. de una

¯

Ya se sabe que X tiene una distribuci´on aproximadamente normal. Tambi´en se sabe que la funci´on de densidad de probabilidades (f.d.p.) de la distribuci´on Bernoulli con par´ametro p est´a dada por:

f (x) = p x (1 p) 1x I {0,1} (x).

n

Sabemos que i=1

X i bin(n, p), esto es,

P

n

i=1

X i = k = k p k (1 p) nk I {0,1,

n

,n}

(k);

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 2 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
2 / 25

1.5.1 Distribuci´on Exacta de X

En seguida se presentan las distribuciones exactas de X para algunas distribuciones espec´ıficas.

La distribuci´on Bernoulli. Si X 1 , X 2 ,

distribuci´on tipo Bernoulli, podemos encontrar la distribuci´on exacta de X .

, X n es una m.a. de una

¯

Ya se sabe que X tiene una distribuci´on aproximadamente normal. Tambi´en se sabe que la funci´on de densidad de probabilidades (f.d.p.) de la distribuci´on Bernoulli con par´ametro p est´a dada por:

f (x) = p x (1 p) 1x I {0,1} (x).

n

Sabemos que i=1

X i bin(n, p), esto es,

P

n

i=1

X i = k = k p k (1 p) nk I {0,1,

n

,n}

(k);

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 2 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
2 / 25

1.5.1 Distribuci´on Exacta de X

En seguida se presentan las distribuciones exactas de X para algunas distribuciones espec´ıficas.

La distribuci´on Bernoulli. Si X 1 , X 2 ,

distribuci´on tipo Bernoulli, podemos encontrar la distribuci´on exacta de X .

, X n es una m.a. de una

¯

Ya se sabe que X tiene una distribuci´on aproximadamente normal. Tambi´en se sabe que la funci´on de densidad de probabilidades (f.d.p.) de la distribuci´on Bernoulli con par´ametro p est´a dada por:

f (x) = p x (1 p) 1x I {0,1} (x).

n

Sabemos que i=1

X i bin(n, p), esto es,

P

n

i=1

X i = k = k p k (1 p) nk I {0,1,

n

,n}

(k);

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 2 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
2 / 25

1.5.1 Distribuci´on Exacta de X

En seguida se presentan las distribuciones exactas de X para algunas distribuciones espec´ıficas.

La distribuci´on Bernoulli. Si X 1 , X 2 ,

distribuci´on tipo Bernoulli, podemos encontrar la distribuci´on exacta de X .

, X n es una m.a. de una

¯

Ya se sabe que X tiene una distribuci´on aproximadamente normal. Tambi´en se sabe que la funci´on de densidad de probabilidades (f.d.p.) de la distribuci´on Bernoulli con par´ametro p est´a dada por:

f (x) = p x (1 p) 1x I {0,1} (x).

n

Sabemos que i=1

X i bin(n, p), esto es,

P

n

i=1

X i = k = k p k (1 p) nk I {0,1,

n

,n}

(k);

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 2 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
2 / 25

1.5.1 Distribuci´on Exacta de X

En seguida se presentan las distribuciones exactas de X para algunas distribuciones espec´ıficas.

La distribuci´on Bernoulli. Si X 1 , X 2 ,

distribuci´on tipo Bernoulli, podemos encontrar la distribuci´on exacta de X .

, X n es una m.a. de una

¯

Ya se sabe que X tiene una distribuci´on aproximadamente normal. Tambi´en se sabe que la funci´on de densidad de probabilidades (f.d.p.) de la distribuci´on Bernoulli con par´ametro p est´a dada por:

f (x) = p x (1 p) 1x I {0,1} (x).

n

Sabemos que i=1

X i bin(n, p), esto es,

P

n

i=1

X i = k = k p k (1 p) nk I {0,1,

n

,n}

(k);

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 2 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
2 / 25

Por lo que, la distribuci´on de X esta dada por:

P X n = k

n

=

n

k p k (1 p) nk , para k = 0, 1,

, n.

(18)

La cual podemos escribir de forma m´as conveniente como:

n P X n = x = nx p nx (1−p) n(1−x) , para x
n
P X n = x = nx p nx (1−p) n(1−x) , para x = 0, 1/n, 2/n,
, 1.
(18a)
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
3 / 25

Por lo que, la distribuci´on de X esta dada por:

P X n = k

n

=

n

k p k (1 p) nk , para

k = 0, 1,

, n.

(18)

La cual podemos escribir de forma m´as conveniente como:

n P X n = x = nx p nx (1−p) n(1−x) , para x
n
P X n = x = nx p nx (1−p) n(1−x) , para
x = 0, 1/n, 2/n,
, 1.
(18a)
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
3 / 25

Por lo que, la distribuci´on de X esta dada por:

P X n = k

n

=

n

k p k (1 p) nk , para

k = 0, 1,

, n.

(18)

La cual podemos escribir de forma m´as conveniente como:

n P X n = x = nx p nx (1−p) n(1−x) , para x
n
P X n = x = nx p nx (1−p) n(1−x) , para
x = 0, 1/n, 2/n,
, 1.
(18a)
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
3 / 25

Por lo que, la distribuci´on de X esta dada por:

P X n = k

n

=

n

k p k (1 p) nk , para

k = 0, 1,

, n.

(18)

La cual podemos escribir de forma m´as conveniente como:

n P X n = x = nx p nx (1−p) n(1−x) , para x
n
P X n = x = nx p nx (1−p) n(1−x) , para
x = 0, 1/n, 2/n,
, 1.
(18a)
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
3 / 25

La distribuci´on Poisson. Si X 1 , X 2 ,

distribuci´on tipo Poisson, podemos encontrar la distribuci´on exacta de X .

, X n es una m.a. de una

Igual que antes, ya se sabe que X tiene una distribuci´on aproximadamente normal. Tambi´en se sabe que la funci´on de densidad de probabilidades (f.d.p.) de la distribuci´on Poisson con par´ametro λ est´a dada por:

f (x) =

e λ λ x

x! I {0,1,2,

}

(x)

Ahora, como i=1 n X i P(nλ), entonces

n P X n = x = P , X i = nx = e
n
P X n = x = P
,
X i = nx = e −nλ (nx)! (nλ) nx
i=1
para
x = 0, 1/n,
, 1, 1 +
1/n,
, 2, 2 + 1/n,
, (19)
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
4 / 25

La distribuci´on Poisson. Si X 1 , X 2 ,

distribuci´on tipo Poisson, podemos encontrar la distribuci´on exacta de X .

, X n es una m.a. de una

Igual que antes, ya se sabe que X tiene una distribuci´on aproximadamente normal. Tambi´en se sabe que la funci´on de densidad de probabilidades (f.d.p.) de la distribuci´on Poisson con par´ametro λ est´a dada por:

n

Ahora, como i=1

f (x) =

e λ λ x

x! I {0,1,2,

X i P(nλ), entonces

}

(x)

n P X n = x = P , X i = nx = e
n
P X n = x = P
,
X i = nx = e −nλ (nx)! (nλ) nx
i=1
para
x = 0, 1/n,
, 1, 1 +
1/n,
, 2, 2 + 1/n,
, (19)
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
4 / 25

La distribuci´on Poisson. Si X 1 , X 2 ,

distribuci´on tipo Poisson, podemos encontrar la distribuci´on exacta de X .

, X n es una m.a. de una

Igual que antes, ya se sabe que X tiene una distribuci´on aproximadamente normal. Tambi´en se sabe que la funci´on de densidad de probabilidades (f.d.p.) de la distribuci´on Poisson con par´ametro λ est´a dada por:

f (x) =

e λ λ x

x! I {0,1,2,

}

(x)

Ahora, como i=1 n X i P(nλ), entonces

n P X n = x = P , X i = nx = e
n
P X n = x = P
,
X i = nx = e −nλ (nx)! (nλ) nx
i=1
para
x = 0, 1/n,
, 1, 1 +
1/n,
, 2, 2 + 1/n,
, (19)
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
4 / 25

La distribuci´on Poisson. Si X 1 , X 2 ,

distribuci´on tipo Poisson, podemos encontrar la distribuci´on exacta de X .

, X n es una m.a. de una

Igual que antes, ya se sabe que X tiene una distribuci´on aproximadamente normal. Tambi´en se sabe que la funci´on de densidad de probabilidades (f.d.p.) de la distribuci´on Poisson con par´ametro λ est´a dada por:

f (x) =

e λ λ x

x! I {0,1,2,

}

(x)

Ahora, como i=1 n X i P(nλ), entonces

n P X n = x = P , X i = nx = e
n
P X n = x = P
,
X i = nx = e −nλ (nx)! (nλ) nx
i=1
para
x = 0, 1/n,
, 1, 1 +
1/n,
, 2, 2 + 1/n,
, (19)
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
4 / 25

La distribuci´on Exponencial.

Si X 1 , X 2 ,

par´ametro θ, entonces su f.d.p. esta dada por:

, X n es una m.a. de una distribuci´on tipo Exponencial con

f (x) = θe θx I (0,) (x).

Para encontrar la distribuci´on exacta de X , en principio obs´ervese que la v.a. i=1 n X i Γ(n, θ), esto es,

O bien,

f X i (z) =

Γ(n) z n1 e θz I (0,) (z),

θ

n

n θ P X i ≤ y = y Γ(n) z n−1 e −θz dz,
n
θ
P X i ≤ y = y Γ(n) z n−1 e −θz dz,
para
y > 0.
0
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
5 / 25

La distribuci´on Exponencial.

Si X 1 , X 2 ,

par´ametro θ, entonces su f.d.p. esta dada por:

, X n es una m.a. de una distribuci´on tipo Exponencial con

f (x) = θe θx I (0,) (x).

Para encontrar la distribuci´on exacta de X , en principio obs´ervese que la v.a. i=1 n X i Γ(n, θ), esto es,

O bien,

f X i (z) =

Γ(n) z n1 e θz I (0,) (z),

θ

n

n θ P X i ≤ y = y Γ(n) z n−1 e −θz dz,
n
θ
P X i ≤ y = y Γ(n) z n−1 e −θz dz,
para
y > 0.
0
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
5 / 25

La distribuci´on Exponencial.

Si X 1 , X 2 ,

par´ametro θ, entonces su f.d.p. esta dada por:

, X n es una m.a. de una distribuci´on tipo Exponencial con

f (x) = θe θx I (0,) (x).

Para encontrar la distribuci´on exacta de X , en principio obs´ervese que la v.a. i=1 n X i Γ(n, θ), esto es,

O bien,

f X i (z) =

Γ(n) z n1 e θz I (0,) (z),

θ

n

n θ P X i ≤ y = y Γ(n) z n−1 e −θz dz,
n
θ
P X i ≤ y = y Γ(n) z n−1 e −θz dz,
para
y > 0.
0
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
5 / 25

La distribuci´on Exponencial.

Si X 1 , X 2 ,

par´ametro θ, entonces su f.d.p. esta dada por:

, X n es una m.a. de una distribuci´on tipo Exponencial con

f (x) = θe θx I (0,) (x).

Para encontrar la distribuci´on exacta de X , en principio obs´ervese que la v.a. i=1 n X i Γ(n, θ), esto es,

O bien,

f X i (z) =

Γ(n) z n1 e θz I (0,) (z),

θ

n

n θ P X i ≤ y = y Γ(n) z n−1 e −θz dz,
n
θ
P X i ≤ y = y Γ(n) z n−1 e −θz dz,
para
y > 0.
0
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
5 / 25

La distribuci´on Exponencial.

Si X 1 , X 2 ,

par´ametro θ, entonces su f.d.p. esta dada por:

, X n es una m.a. de una distribuci´on tipo Exponencial con

f (x) = θe θx I (0,) (x).

Para encontrar la distribuci´on exacta de X , en principio obs´ervese que la v.a. i=1 n X i Γ(n, θ), esto es,

O bien,

f X i (z) =

Γ(n) z n1 e θz I (0,) (z),

θ

n

n θ P X i ≤ y = y Γ(n) z n−1 e −θz dz,
n
θ
P X i ≤ y = y Γ(n) z n−1 e −θz dz,
para
y > 0.
0
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
5 / 25

La distribuci´on Exponencial.

Si X 1 , X 2 ,

par´ametro θ, entonces su f.d.p. esta dada por:

, X n es una m.a. de una distribuci´on tipo Exponencial con

f (x) = θe θx I (0,) (x).

Para encontrar la distribuci´on exacta de X , en principio obs´ervese que la v.a. i=1 n X i Γ(n, θ), esto es,

O bien,

f X i (z) =

Γ(n) z n1 e θz I (0,) (z),

θ

n

n θ P X i ≤ y = y Γ(n) z n−1 e −θz dz,
n
θ
P X i ≤ y = y Γ(n) z n−1 e −θz dz,
para
y > 0.
0
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
5 / 25

La distribuci´on Exponencial.

Si X 1 , X 2 ,

par´ametro θ, entonces su f.d.p. esta dada por:

, X n es una m.a. de una distribuci´on tipo Exponencial con

f (x) = θe θx I (0,) (x).

Para encontrar la distribuci´on exacta de X , en principio obs´ervese que la v.a. i=1 n X i Γ(n, θ), esto es,

O bien,

f X i (z) =

Γ(n) z n1 e θz I (0,) (z),

θ

n

n θ P X i ≤ y = y Γ(n) z n−1 e −θz dz,
n
θ
P X i ≤ y = y Γ(n) z n−1 e −θz dz,
para
y > 0.
0
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
5 / 25

De lo anterior obtenemos:

P X n y = P X i y = y Γ(n) z n1 e θz dz,

n

θ

n

0

Esto es,

para

y > 0.

P X n x = nx

0

Γ(n) z n1 e θz dz = x Γ(n) (nu) n1 e nθu ndu.

θ

n

0

θ

n

Finalmente,

P X n x = x

0

(nθ) Γ(n) u n1 e (nθ)u du.

n

As´ı que, X Γ(n, nθ).

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 6 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
6 / 25

De lo anterior obtenemos:

P X n y = P X i y = y Γ(n) z n1 e θz dz,

n

θ

n

0

Esto es,

para

y > 0.

P X n x = nx

0

Γ(n) z n1 e θz dz = x Γ(n) (nu) n1 e nθu ndu.

θ

n

0

θ

n

Finalmente,

P X n x = x

0

(nθ) Γ(n) u n1 e (nθ)u du.

n

As´ı que, X Γ(n, nθ).

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 6 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
6 / 25

De lo anterior obtenemos:

P X n y = P X i y = y Γ(n) z n1 e θz dz,

n

θ

n

0

Esto es,

para

y > 0.

P X n x = nx

0

Γ(n) z n1 e θz dz = x Γ(n) (nu) n1 e nθu ndu.

θ

n

0

θ

n

Finalmente,

P X n x = x

0

(nθ) Γ(n) u n1 e (nθ)u du.

n

As´ı que, X Γ(n, nθ).

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 6 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
6 / 25

De lo anterior obtenemos:

P X n y = P X i y = y Γ(n) z n1 e θz dz,

n

θ

n

0

Esto es,

para

y > 0.

P X n x = nx

0

Γ(n) z n1 e θz dz = x Γ(n) (nu) n1 e nθu ndu.

θ

n

0

θ

n

Finalmente,

P X n x = x

0

(nθ) Γ(n) u n1 e (nθ)u du.

n

As´ı que, X Γ(n, nθ).

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 6 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
6 / 25

1.6 Muestreo de la distribuci´on Normal

1.6.1 Papel de la distribuci´on Normal en la Estad´ıstica

M´as adelante se ver´a el papel predominante que juega la distribuci´on normal en la estad´ıstica. Es claro que el Teorema Central del L´ımite (como se ver´a m´as adelante) asegura ´esto por s´ı solo, pero existen otras razones igualmente importantes, dentro de la inferencia en diversos metodos estad´ısticos.

Una de las razones que pondremos en primer lugar es el hecho de que muchas poblaciones en el curso de la investigaci´on en muchos campos parecen tener una distribuci´on normal o al menos muy cercana a la normal, lo cual desde el punto de vista del Teorema Central del L´ımite parece muy razonable.

Para ello consideremos el experimento de tiro a un blanco. Por supuesto que el proyect´ıl que se dispara es afectado por una gran cantidad de factores, todos teniendo un peque˜no efecto. De forma que, la desviaci´on neta es el efecto neto de todos estos factores.

desviaci´on neta es el efecto neto de todos estos factores. Prof. Bulmaro Ju´arez Hern´andez Estad´ıstica I

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II

Oto˜no 2019

7 / 25

1.6 Muestreo de la distribuci´on Normal

1.6.1 Papel de la distribuci´on Normal en la Estad´ıstica

M´as adelante se ver´a el papel predominante que juega la distribuci´on normal en la estad´ıstica. Es claro que el Teorema Central del L´ımite (como se ver´a m´as adelante) asegura ´esto por s´ı solo, pero existen otras razones igualmente importantes, dentro de la inferencia en diversos metodos estad´ısticos.

Una de las razones que pondremos en primer lugar es el hecho de que muchas poblaciones en el curso de la investigaci´on en muchos campos parecen tener una distribuci´on normal o al menos muy cercana a la normal, lo cual desde el punto de vista del Teorema Central del L´ımite parece muy razonable.

Para ello consideremos el experimento de tiro a un blanco. Por supuesto que el proyect´ıl que se dispara es afectado por una gran cantidad de factores, todos teniendo un peque˜no efecto. De forma que, la desviaci´on neta es el efecto neto de todos estos factores.

desviaci´on neta es el efecto neto de todos estos factores. Prof. Bulmaro Ju´arez Hern´andez Estad´ıstica I

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II

Oto˜no 2019

7 / 25

1.6 Muestreo de la distribuci´on Normal

1.6.1 Papel de la distribuci´on Normal en la Estad´ıstica

M´as adelante se ver´a el papel predominante que juega la distribuci´on normal en la estad´ıstica. Es claro que el Teorema Central del L´ımite (como se ver´a m´as adelante) asegura ´esto por s´ı solo, pero existen otras razones igualmente importantes, dentro de la inferencia en diversos metodos estad´ısticos.

Una de las razones que pondremos en primer lugar es el hecho de que muchas poblaciones en el curso de la investigaci´on en muchos campos parecen tener una distribuci´on normal o al menos muy cercana a la normal, lo cual desde el punto de vista del Teorema Central del L´ımite parece muy razonable.

Para ello consideremos el experimento de tiro a un blanco. Por supuesto que el proyect´ıl que se dispara es afectado por una gran cantidad de factores, todos teniendo un peque˜no efecto. De forma que, la desviaci´on neta es el efecto neto de todos estos factores.

desviaci´on neta es el efecto neto de todos estos factores. Prof. Bulmaro Ju´arez Hern´andez Estad´ıstica I

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II

Oto˜no 2019

7 / 25

1.6 Muestreo de la distribuci´on Normal

1.6.1 Papel de la distribuci´on Normal en la Estad´ıstica

M´as adelante se ver´a el papel predominante que juega la distribuci´on normal en la estad´ıstica. Es claro que el Teorema Central del L´ımite (como se ver´a m´as adelante) asegura ´esto por s´ı solo, pero existen otras razones igualmente importantes, dentro de la inferencia en diversos metodos estad´ısticos.

Una de las razones que pondremos en primer lugar es el hecho de que muchas poblaciones en el curso de la investigaci´on en muchos campos parecen tener una distribuci´on normal o al menos muy cercana a la normal, lo cual desde el punto de vista del Teorema Central del L´ımite parece muy razonable.

Para ello consideremos el experimento de tiro a un blanco. Por supuesto que el proyect´ıl que se dispara es afectado por una gran cantidad de factores, todos teniendo un peque˜no efecto. De forma que, la desviaci´on neta es el efecto neto de todos estos factores.

desviaci´on neta es el efecto neto de todos estos factores. Prof. Bulmaro Ju´arez Hern´andez Estad´ıstica I

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II

Oto˜no 2019

7 / 25

1.6 Muestreo de la distribuci´on Normal

1.6.1 Papel de la distribuci´on Normal en la Estad´ıstica

M´as adelante se ver´a el papel predominante que juega la distribuci´on normal en la estad´ıstica. Es claro que el Teorema Central del L´ımite (como se ver´a m´as adelante) asegura ´esto por s´ı solo, pero existen otras razones igualmente importantes, dentro de la inferencia en diversos metodos estad´ısticos.

Una de las razones que pondremos en primer lugar es el hecho de que muchas poblaciones en el curso de la investigaci´on en muchos campos parecen tener una distribuci´on normal o al menos muy cercana a la normal, lo cual desde el punto de vista del Teorema Central del L´ımite parece muy razonable.

Para ello consideremos el experimento de tiro a un blanco. Por supuesto que el proyect´ıl que se dispara es afectado por una gran cantidad de factores, todos teniendo un peque˜no efecto. De forma que, la desviaci´on neta es el efecto neto de todos estos factores.

desviaci´on neta es el efecto neto de todos estos factores. Prof. Bulmaro Ju´arez Hern´andez Estad´ıstica I

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II

Oto˜no 2019

7 / 25

Sup´ongase que el efecto de cada factor es una observaci´on de alguna poblaci´on, 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 desviaci´on real observada puede, por lo tanto, esperarse que tenga una distribuci´on aproximadamente normal.

No se intenta afirmar que la mayoria de las distribuciones encontradas en la pr´actica sean normales, pero distribuciones cercanas a la normal se encuentran de manera bastante frecuente.

Otra consideraci´on que favorece a la distribuci´on normal es el hecho de que distribuciones muestrales basadas en una distribuci´on normal son bastante manejables anal´ıticamente. Al hacer inferencia acerca de poblaciones usando muestras, generalmente, es necesario obtener las distribuciones para varias funciones de la muestra.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 8 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
8 / 25

Sup´ongase que el efecto de cada factor es una observaci´on de alguna poblaci´on, 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 desviaci´on real observada puede, por lo tanto, esperarse que tenga una distribuci´on aproximadamente normal.

No se intenta afirmar que la mayoria de las distribuciones encontradas en la pr´actica sean normales, pero distribuciones cercanas a la normal se encuentran de manera bastante frecuente.

Otra consideraci´on que favorece a la distribuci´on normal es el hecho de que distribuciones muestrales basadas en una distribuci´on normal son bastante manejables anal´ıticamente. Al hacer inferencia acerca de poblaciones usando muestras, generalmente, es necesario obtener las distribuciones para varias funciones de la muestra.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 8 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
8 / 25

Sup´ongase que el efecto de cada factor es una observaci´on de alguna poblaci´on, 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 desviaci´on real observada puede, por lo tanto, esperarse que tenga una distribuci´on aproximadamente normal.

No se intenta afirmar que la mayoria de las distribuciones encontradas en la pr´actica sean normales, pero distribuciones cercanas a la normal se encuentran de manera bastante frecuente.

Otra consideraci´on que favorece a la distribuci´on normal es el hecho de que distribuciones muestrales basadas en una distribuci´on normal son bastante manejables anal´ıticamente. Al hacer inferencia acerca de poblaciones usando muestras, generalmente, es necesario obtener las distribuciones para varias funciones de la muestra.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 8 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
8 / 25

Sup´ongase que el efecto de cada factor es una observaci´on de alguna poblaci´on, 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 desviaci´on real observada puede, por lo tanto, esperarse que tenga una distribuci´on aproximadamente normal.

No se intenta afirmar que la mayoria de las distribuciones encontradas en la pr´actica sean normales, pero distribuciones cercanas a la normal se encuentran de manera bastante frecuente.

Otra consideraci´on que favorece a la distribuci´on normal es el hecho de que distribuciones muestrales basadas en una distribuci´on normal son bastante manejables anal´ıticamente. Al hacer inferencia acerca de poblaciones usando muestras, generalmente, es necesario obtener las distribuciones para varias funciones de la muestra.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 8 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
8 / 25

El problema matem´atico de obtener estas distribuciones, frecuentemente, es m´as f´acil cuando la muestra se toma de una distribuci´on normal que en cualquier otro caso.

En la aplicaci´on de m´etodos estad´ısticos basados en la distribuci´on normal, el investigador debe conocer, al menos en forma aproximada, la forma de la distribuci´on de donde provienen sus datos. Si la distribuci´on es normal, el puede usar los metodos directamente, si no lo es, se puede realizar alguna transformaci´on de sus datos para tratar que estos datos transformados sigan una distribuci´on normal.

Cuando el investigador no conoce la forma de la distribuci´on de la poblaci´on, el puede usar otros m´etodos m´as generales, pero menos potentes en su an´alisis, llamados m´etodos no param´etricos.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 9 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
9 / 25

El problema matem´atico de obtener estas distribuciones, frecuentemente, es m´as f´acil cuando la muestra se toma de una distribuci´on normal que en cualquier otro caso.

En la aplicaci´on de m´etodos estad´ısticos basados en la distribuci´on normal, el investigador debe conocer, al menos en forma aproximada, la forma de la distribuci´on de donde provienen sus datos. Si la distribuci´on es normal, el puede usar los metodos directamente, si no lo es, se puede realizar alguna transformaci´on de sus datos para tratar que estos datos transformados sigan una distribuci´on normal.

Cuando el investigador no conoce la forma de la distribuci´on de la poblaci´on, el puede usar otros m´etodos m´as generales, pero menos potentes en su an´alisis, llamados m´etodos no param´etricos.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 9 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
9 / 25

El problema matem´atico de obtener estas distribuciones, frecuentemente, es m´as f´acil cuando la muestra se toma de una distribuci´on normal que en cualquier otro caso.

En la aplicaci´on de m´etodos estad´ısticos basados en la distribuci´on normal, el investigador debe conocer, al menos en forma aproximada, la forma de la distribuci´on de donde provienen sus datos. Si la distribuci´on es normal, el puede usar los metodos directamente, si no lo es, se puede realizar alguna transformaci´on de sus datos para tratar que estos datos transformados sigan una distribuci´on normal.

Cuando el investigador no conoce la forma de la distribuci´on de la poblaci´on, el puede usar otros m´etodos m´as generales, pero menos potentes en su an´alisis, llamados m´etodos no param´etricos.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 9 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
9 / 25

1. La Funci´on Generatriz de Momentos

Algunas de las herramientas m´as importantes en teor´ıa de probabilidad son tomadas de otras ramas de las matem´aticas.

Aqu´ı se discutir´an dos de tales herramientas cercanamente relacionadas. Comenzamos con las funciones generatrices de momentos. Luego trataremos a las funciones caracter´ısticas.

Las ultimas´

debido a que requieren del uso de n´umeros complejos.

son un poco m´as dif´ıciles de entender en un nivel elemental

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 10 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
10 / 25

1. La Funci´on Generatriz de Momentos

Algunas de las herramientas m´as importantes en teor´ıa de probabilidad son tomadas de otras ramas de las matem´aticas.

Aqu´ı se discutir´an dos de tales herramientas cercanamente relacionadas. Comenzamos con las funciones generatrices de momentos. Luego trataremos a las funciones caracter´ısticas.

Las ultimas´

debido a que requieren del uso de n´umeros complejos.

son un poco m´as dif´ıciles de entender en un nivel elemental

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 10 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
10 / 25

1. La Funci´on Generatriz de Momentos

Algunas de las herramientas m´as importantes en teor´ıa de probabilidad son tomadas de otras ramas de las matem´aticas.

Aqu´ı se discutir´an dos de tales herramientas cercanamente relacionadas. Comenzamos con las funciones generatrices de momentos. Luego trataremos a las funciones caracter´ısticas.

Las ultimas´

debido a que requieren del uso de n´umeros complejos.

son un poco m´as dif´ıciles de entender en un nivel elemental

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 10 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
10 / 25

1. La Funci´on Generatriz de Momentos

Algunas de las herramientas m´as importantes en teor´ıa de probabilidad son tomadas de otras ramas de las matem´aticas.

Aqu´ı se discutir´an dos de tales herramientas cercanamente relacionadas. Comenzamos con las funciones generatrices de momentos. Luego trataremos a las funciones caracter´ısticas.

Las ultimas´

debido a que requieren del uso de n´umeros complejos.

son un poco m´as dif´ıciles de entender en un nivel elemental

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 10 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
10 / 25

Definici´on (Funci´on Generatriz de Momentos)

La funci´on generatriz de momentos (f.g.m.) m X (t) de una variable aleatoria X se define por

m X (t) = E(e tX ).

El dominio de m X son todos los n´umeros reales t tales que E e tX existe; es decir, tal que e tX tiene esperanza finita.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 11 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
11 / 25

Ejemplo

Si X est´a distribuida en forma normal con media µ y varianza σ 2 , entonces

m X (t) = E(e tX ) =

1

e tx

−∞

σ 2π e

(xµ) 2 2σ 2

dx.

Si y = x µ, entonces

m X (t) =

−∞

e t(y+µ)

1

σ 2π e

y 2

2σ

2

dy = e µt

−∞

1

σ 2π e ty

Ahora,

ty

y 2

2σ 2

=

(y σ 2 t) 2

2σ 2

+

σ 2 t 2

2 ; consecuentemente:

y 2

2σ 2 dy .

m X (t) = e µt+ 1 2 σ 2 t 2 , si −
m X (t) = e µt+ 1 2 σ 2 t 2 , si
− ∞ < t < ∞.
(1)
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
12 / 25
Ejemplo Si X tiene la densidad gama con par´ametros α y λ , entonces: m

Ejemplo Si X tiene la densidad gama con par´ametros α y λ, entonces:

m X (t) = E(e tX ) =

0

e tx

λ

α

Γ(α) x α1 e λx dx

=

Γ(α)

λ

α

0

x α1 e (λt)x dx

=

λ

α

Γ(α)

Γ(α) (λ t) α ;

para −∞ < t < λ. Por otro lado, la integral diverge para λ t < ; as´ı,

λ m X (t) = , para − ∞ < t < λ. (2) λ
λ
m X (t) =
,
para
− ∞ < t < λ.
(2)
λ − t α
Prof. Bulmaro Ju´arez Hern´andez
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
13 / 25

Ahora, sup´ongase que X es una v.a. discreta, cuyos posibles valores son enteros no negativos. Entonces

m X (t) =

n=0

e nt P(X = n).

Se ha definido la funci´on generatriz de probabilidad para tales v.a.’s como:

Φ X (t) = E(t x ) =

n=0

t n P(X = n).

De estas dos ultimas´ expresiones, es claro que:

(3)

La f´ormula (3) nos permite determinar la f.g.m. directamente de la funci´on generatriz de probabilidades. Por ejemplo, si X tiene una distribuci´on binomial con par´ametros n y p, entonces, como se ha mostrado, Φ X (t) = (pt + 1 p) n . Sigui´endose inmediatamente que

m X (t) = Φ X (e t ).

Prof. Bulmaro Ju´arez Hern´andez

m X (t) = (pe t + 1 p) n .

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 14 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
14 / 25

Similarmente, si X tiene una distribuci´on Poisson con par´ametro λ, entonces

Φ X (t) = e λ(t1) .

Consecuentemente

m X (t) = e λ(e t 1) .

Por supuesto, en estos dos ejemplos, m X (t) puede obtenerse f´acilmente en forma directa de la definici´on de f.g.m.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 15 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
15 / 25

A

continuaci´on 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 tambi´en son

independientes. En consecuencia

m X+Y (t) = E e t(X+Y ) = E e tX e tY

= E e tX E e tY = m X (t) · m Y (t).

De lo anterior, se sigue inmediatamente que, si X 1 , ··· , X n son independientes e id´enticamente distribuidas, entonces

Prof. Bulmaro Ju´arez Hern´andez

m X 1 +···+X n (t) = (m X 1 (t)) n .

(4)

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 16 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
16 / 25

Para entender el porque a m X (t) se le llama f.g.m., escribimos

m X (t) = E e tX = E

n=0

t n X n

n!

.

(5)

Suponiendo que m X (t) es finita sobre t 0 < t < t 0 para alg´un n´umero positivo t 0 . En este caso, uno puede mostrar que en (5) se permite intercambiar el orden de la esperanza y la sumatoria. En otras palabras,

m X (t) =

n=0

E (X n )

n!

t n ,

para

t 0 < t < t 0 .

En particular, si m X (t) es finita para toda t tal que t 0 < t < t 0 ,

entonces (6) se cumple para toda t

R.

(6)

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 17 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
17 / 25

Por otro lado, la serie de Taylor (alrededor de 0) para m X (t) es:

m X (t) =

n=0

t n

d n

n!

dt

n

m X (t) | t=0 .

(7)

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

Prof. Bulmaro Ju´arez Hern´andez

E

(X n ) =

d

n

dt n m X (t) | t=0 .

(8)

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 18 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 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 . Soluci´on: En principio, observe de (1) que,

m X (t) = e

σ 2 t 2

2

=

n=0 σ 2 t 2

2

n

1

n! =

n=0

2n

2 n (n!) t 2n .

σ

As´ı, todos los momentos de orden impar para X son cero, y los momentos de orden par est´an dados por:

E X 2n

(2n)!

=

Prof. Bulmaro Ju´arez Hern´andez

2n (2n)! o bien E X 2n = 2 n σ (n!) , 2 n
2n
(2n)!
o bien E X 2n =
2 n
σ (n!) ,
2 n (n!) σ 2n .
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
19 / 25

Luego, para ilustrar (8). Puesto que,

dt e 2 d 2 t 2 σ 2 2 e dt
dt e
2
d
2 t 2
σ
2
2 e
dt

= σ 2 te

σ 2 t 2

2

,

y

= (σ 2 + σ 4 t 2 )e σ 2 2 t 2 .

Entonces, los dos primeros momentos de la v.a. X son:

E[X] =

d σ 2 t 2

dt e

2

Prof. Bulmaro Ju´arez Hern´andez

d 2 σ 2 t 2 = 0, y E[X 2 ] = 2 =
d 2
σ 2 t 2
= 0,
y
E[X 2 ] =
2
= σ 2 .
2 e
dt
t=0
t=0
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
20 / 25

El M´etodo de la Funci´on Generatr´ız de Momentos

El m´etodo de la f.g.m. para determinar la distribuci´on de probabilidades de

una funci´on de v.a’s., digamos X 1 , teorema de unicidad.

, X n tiene como base el siguiente

Teorema (Unicidad de la fgm)

Si la Funci´on Generatr´ız de Momentos para la v.a. X existe en alguna

vecindad de t = 0, entonces, ´esta determina de forma unica´ de la v.a. X.

la distribuci´on

De manera equivalente, tenemos:

Teorema (Unicidad de la fgm)

Si

las Funciones Generatrices de Momentos m X (t) y m Y (t) para las v.a’s.

X

e Y existen y si m X (t) = m Y (t) en alguna vecindad de t = 0. Entonces,

X

e Y tienen la misma distribuci´on de probabilidades.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 21 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
21 / 25

El M´etodo de la Funci´on Generatr´ız de Momentos

Si U = g (X 1 ,

distribuci´on de la v.a. U, consiste en:

, X n ), el m´etodo de la f.g.m. para determinar la

(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 m U (t) es igual a una de ´estas. Entonces, la distribuci´on de esa v.a. ser´a la distribuci´on de U.

Prof. Bulmaro Ju´arez Hern´andez

Estad´ıstica I Distribuci´on de la Media Muestral Parte II Oto˜no 2019 22 / 25
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
22 / 25

1.6.2 La Media Muestral

Una de las m´as simples de entre todas las posibles funciones de una m.a. es la media muestral. Y para una m.a. obtenida de una distribuci´on normal, la distribuci´on exacta de la media muestral tambi´en es normal, lo cual se asienta en el siguiente resultado.

Teorema 6. Sea X n la media muestral de una m.a. de tama˜no n de una

distribuci´on normal con media µ y varianza σ 2 . Entonces, X n tiene una

distribuci´on η(µ, σ 2 /n).

Demostraci´on: Para probar este teorema usaremos la t´ecnica de la f.g.m. es decir,

m X n (t) = E exp tX n = E exp t X i

n

= E

n

i=1

Prof. Bulmaro Ju´arez Hern´andez

n exp tX i = E exp tX i n n i=1 Estad´ıstica I Distribuci´on
n
exp tX i =
E
exp tX i
n
n
i=1
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
23 / 25

1.6.2 La Media Muestral

Una de las m´as simples de entre todas las posibles funciones de una m.a. es la media muestral. Y para una m.a. obtenida de una distribuci´on normal, la distribuci´on exacta de la media muestral tambi´en es normal, lo cual se asienta en el siguiente resultado.

Teorema 6. Sea X n la media muestral de una m.a. de tama˜no n de una

distribuci´on normal con media µ y varianza σ 2 . Entonces, X n tiene una

distribuci´on η(µ, σ 2 /n).

Demostraci´on: Para probar este teorema usaremos la t´ecnica de la f.g.m. es decir,

m X n (t) = E exp tX n = E exp t X i

n

= E

n

i=1

Prof. Bulmaro Ju´arez Hern´andez

n exp tX i = E exp tX i n n i=1 Estad´ıstica I Distribuci´on
n
exp tX i =
E
exp tX i
n
n
i=1
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
23 / 25

1.6.2 La Media Muestral

Una de las m´as simples de entre todas las posibles funciones de una m.a. es la media muestral. Y para una m.a. obtenida de una distribuci´on normal, la distribuci´on exacta de la media muestral tambi´en es normal, lo cual se asienta en el siguiente resultado.

Teorema 6. Sea X n la media muestral de una m.a. de tama˜no n de una

distribuci´on normal con media µ y varianza σ 2 . Entonces, X n tiene una

distribuci´on η(µ, σ 2 /n).

Demostraci´on: Para probar este teorema usaremos la t´ecnica de la f.g.m. es decir,

m X n (t) = E exp tX n = E exp t X i

n

= E

n

i=1

Prof. Bulmaro Ju´arez Hern´andez

n exp tX i = E exp tX i n n i=1 Estad´ıstica I Distribuci´on
n
exp tX i =
E
exp tX i
n
n
i=1
Estad´ıstica I Distribuci´on de la Media Muestral Parte II
Oto˜no 2019
23 / 25

1.6.2 La Media Muestral

Una de las m´as simples de entre todas las posibles funciones de una m.a. es la media muestral. Y para una m.a. obtenida de una distribuci´on normal, la distribuci´on exacta de la media muestral tambi´en es normal, lo cual se asienta en el siguiente resultado.

Teorema 6. Sea X n la media muestral de una m.a. de tama˜no n de una

distribuci´on normal con media µ y varianza σ 2 . Entonces,