Lec4 - Distribuciones Muestrales y El Teorema Del L Mite Central

Distribuciones muestrales y el
Teorema del Límite Central
Métodos Cuantitativos 2
Introducción
 Nota: Ahora veremos cómo se calcula para una

muestra (la lección anterior fue para la
población)
Dada una población con N elementos, una muestra

aleatoria simple de n elementos es un subconjunto de
la población cuyos elementos han sido escogidos dando
la misma oportunidad a todos los elementos de la
población.
Introducción
 Definición:
Se denominan estadísticos o estadígrafos, a los valores
equivalentes de los parámetros de una población.
– Por ejemplo:
Población Muestra
Media μ X
Varianza σ2 S2
En general  ˆ
– Se utilizan para hacer inferencias (estimaciones o decisiones) con
respecto a parámetros poblacionales desconocidos.
Introducción
 Definición:
Una distribución de probabilidad de un estadístico

oestadígrafosellamadistribuciónmuestralo distribución de m
Distribuciones
muestrales relacionadas con la
Distribución
Normal
 TEOREMA 1:
Si se selecciona una muestra aleatoria de n observaciones de
una población con distribución normal con media μ y
desviación estándar σ, entonces la distribución de muestreo de
la media muestral
 2
X  N  , 
 n 

Nota: Se dice, s  var(X )  
n X
es el error estándar de la media.
 Por lo tanto, se tiene que la variable:
X  X   X 
Z  n 
X    
n
tiene distribución normal estándar.
Ejercicio : 1
 Una máquina embotelladora puede regularse de tal manera

que llene un promedio de μ onzas por botella. Se ha
observado que la cantidad de contenido que suministra la
máquina presenta una distribución normal con σ=1.0 onza.
De la producción de la máquina un cierto día, se obtiene una
muestra aleatoria de n=9 botellas llenas (todas fueron
llenadas con las mismas posiciones del control operativo) y
se miden las onzas del contenido de cada una. Determinar la
probabilidad de que la media muestral se encuentre a lo más
a 0.3 onzas de la media real μ para tales posiciones de
control.
Ejercicio : 2
 En base al ejemplo anterior, ¿Cuántas

observaciones deben incluirse en la muestra si se
desea que la media muestral esté a lo más a 0.3
onzas de μ con una probabilidad de 0.95?
Ejercicio
 Un guardabosque que estudia los efectos de la fertilización

en ciertos bosques de pino, se interesa en estimar el área
fertilizada promedio de la base de los pinos. Al estudiar las
áreas de la base de los árboles similares durante muchos
años, descubrió que estas mediciones (en pulgadas
cuadradas) tienen una distribución normal con desviación
estándar de aproximadamente 4 pulgadas cuadradas. Si el
guardabosques selecciona una muestra aleatoria de n=9
árboles, encuentre la probabilidad de que la media muestral
se desvíe a lo más 2 pulgadas cuadradas de la media
poblacional.
Distribuciones
relacionadas con la Distribución
Normal
 La distribución χ2 desempeña un papel importante cuando

se desea hacer una inferencia con respecto a la varianza
σ2 de la población basada en una muestra aleatoria tomada
de una población normal.
 Un buen estimador de σ2 es la varianza muestral:
S 2  1 ( Xi  X )2
n
n 1 i1
 El siguiente teorema nos da la distribución de

probabilidad para una función del estadístico S2.
Distribuciones
Normal
 TEOREMA 2:
Si se selecciona una muestra aleatoria de n observaciones de
una población con distribución normal con media μ y
desviación estándar σ, entonces
n
1 2 (n 1)S 2
 2 ( X i X)  2
i1

tiene una distribución χ2 con (n-1) grados de libertad. X
y S2 son variables aleatorias independientes.
Ejercicio 3:
 En el ejemplo anterior, se supone que las onzas del contenido

que vacía la máquina embotelladora tienen una distribución
normal con σ2=1. Supóngase que se desea obtener una
muestra aleatoria de 10 botellas y medir el contenido de cada
una. Si se utilizan estas 10 observaciones para calcular S2,
podría ser útil especificar un intervalo de valores que
incluyeran a S2 con un alta probabilidad. Encuentre los
números b1 y b2 tales que:
P(b1  S  b  0.90
2
2
)
Distribuciones
Normal
 Como se verá, el resultado del teorema 1, nos proporciona la base del

desarrollo de procedimientos para hacer inferencias con respecto a la
media μ de una población con una varianza σ2 conocida.
 Ahora bien, cuando se desconoce σ, se le puede estimar mediante S, y

la expresión:
X 
n 
 S 
nos dará la base para el desarrollo de métodos de inferencias con
respecto a μ.
Distribuciones
Normal
 Definición:
Sea Z una variable aleatoria normal estándar y sea χ2 una
variable aleatoria chi-cuadrada con ν grados de libertad.
Entonces si Z y χ2 son independientes,
Z
t
2

se dice que tiene una distribución t de student con ν

grados de libertad.
t de
 Puede probarse que para ν>1 E(t)=0 y para ν>2,

var(t)= ν/(ν-2).
 Notar que ambas funciones de densidad son simétricas

con respecto al origen, pero la densidad t tiene más masa
probabilística en las colas.
TEOREMA DEL LIMITE
 Al aumentar el tamaño de la muestra, la distribución

muestral de la media se aproxima a la forma de la
distribución normal sin importar la forma de la distribución
de las mediciones individuales y de la población.
 En la práctica, puede suponerse que la distribución muestral

de la media es aproximadamente normal cuando n≥30.
Ejercicio : 4
 Los resultados de las pruebas finales de todos los alumnos

del último año de las preparatorias de cierto estado tienen
una media de 60 y una varianza de 64. Una generación
específica de cierta preparatoria de n=100 alumnos tuvo una
media de 58. ¿Puede afirmarse que esta preparatoria sea
inferior? (calcular la probabilidad de que la media muestral
sea a lo más 58 cuando n=100)
Ejercicio : 5
 Un auditor toma una muestra aleatoria de tamaño

n=36, de una población de 1000 cuentas por
cobrar. Se sabe que el valor medio de las cuentas
por cobrar es μ=$2600 con σ =$450. ¿Cuál es la
probabilidad de que la media muestral X sea
inferior a
$2500?

Lec4 - Distribuciones Muestrales y El Teorema Del L Mite Central

Cargado por

Copyright:

Formatos disponibles

Lec4 - Distribuciones Muestrales y El Teorema Del L Mite Central

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Lec4 - Distribuciones Muestrales y El Teorema Del L Mite Central

Cargado por

Copyright:

Formatos disponibles

Distribuciones muestrales y el

Teorema del Límite Central

 Nota: Ahora veremos cómo se calcula para una

Dada una población con N elementos, una muestra

Una distribución de probabilidad de un estadístico

 Una máquina embotelladora puede regularse de tal manera

 En base al ejemplo anterior, ¿Cuántas

 Un guardabosque que estudia los efectos de la fertilización

 La distribución χ2 desempeña un papel importante cuando

 Un buen estimador de σ2 es la varianza muestral:

 El siguiente teorema nos da la distribución de

 En el ejemplo anterior, se supone que las onzas del contenido

 Como se verá, el resultado del teorema 1, nos proporciona la base del

 Ahora bien, cuando se desconoce σ, se le puede estimar mediante S, y

se dice que tiene una distribución t de student con ν

 Puede probarse que para ν>1 E(t)=0 y para ν>2,

 Notar que ambas funciones de densidad son simétricas

 Al aumentar el tamaño de la muestra, la distribución

 En la práctica, puede suponerse que la distribución muestral

 Los resultados de las pruebas finales de todos los alumnos

 Un auditor toma una muestra aleatoria de tamaño

También podría gustarte