UNEFA

GOBIERNO BOLIVARIANO DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA
UNIVERSIDAD EXPERIMENTAL POLITCNICA DE LA FUERZA ARMADA BOLIVARIANA
UNEFAB
NCLEO CARABOBO-EXTENSIN GUACARA
ASIGNATURA: Probabilidades y Estadstica PROF: Ing. Alexander Zavala
GUA DE LECTURA N 3. (Unidad N 5)
DISTRIBUCIONES MUESTRALES Y EL T.L.C.
1. Definiciones
Con mucha frecuencia se utilizan ciertas funciones de las VA observadas en una
muestra para estimar o para tomar decisiones con respecto a parmetros
poblacionales desconocidos. Por ejemplo, supngase que se desea estimar la media
de una poblacin . Si obtenemos una muestra aleatoria de n observaciones y
1
, y
2
,...,
y
n
resulta adecuado estimar a travs de la media de muestra

n
i
i
y
n
y
1
1
La bondad de la estimacin depende del comportamiento de las variables
aleatorias y
1
, y
2
,..., y
n
y el efecto de este comportamiento sobre

n
i
i
y
n
y
1
1
.
La VA Y es una funcin de las VA Y
1
, Y
2
,..., Y
n
y el tamao n de la muestra. Por
lo tanto, la VA Y representa un estadstico.
DEFINICIN 1: Un estadstico es una funcin de las variables aleatorias que
se pueden observar en una muestra y de las constantes conocidas. Los
estadsticos se utilizan para hacer inferencias (estimaciones o decisiones) con
respecto a parmetros poblacionales desconocidos.
Probabilidades y Estadstica. 4 Semestre. CBI 1
UNEFA
2. Distribuciones muestrales relacionadas con la distribucin normal.
Muchos fenmenos observados en la realidad tienen distribuciones de
frecuencias relativas que se pueden representar en forma adecuada mediante el
modelo de un distribucin de probabilidad normal.
Las VA observadas en una muestra aleatoria, Y
1
, Y
2
,..., Y
n
son independientes y
tienen una funcin de densidad normal comn. En tales casos, el siguiente teorema
establece la distribucin muestral del estadstico
( )
n
Y Y Y
n
Y + + + ...
1
2 1
TEOREMA 1. Sea Y
1
, Y
2
,..., Y
n
una muestra aleatoria de tamao n de una
distribucin normal con media y varianza
2
. Entonces

n
i
i
Y
n
Y
1
1
tiene una distribucin normal con media y varianza
2
/n.
La varianza de cada una de las VA Y
1
, Y
2
,..., Y
n
es
2
y que la varianza de la
distribucin muestral de la VA Y es
2
/n. Es decir,
n
Y
2
2


de donde se deduce que

,
_

Y
n
n
Y Y
Z
Y
tiene una distribucin normal estndar.
EJEMPLO 1: Una mquina embotelladora puede regularse de tal manera que llene un
promedio de onzas por botella. Se ha observado que la cantidad de contenido que
suministra la mquina presenta una distribucin normal con =1 onzas. De la produccin
de la mquina en cierto da, se obtiene, una muestra aleatoria de n=9 botellas llenas y se
miden las onzas del contenido de cada una. Determine la probabilidad de que la media
muestral se encuentre a lo ms de 0.3 onzas de la media real .
EJEMPLO 2: Refirase al EJEMPLO 1, cuntas observaciones deben incluirse en la
muestra si se desea que Y est a lo ms a 0.3 onzas de con una probabilidad de 0.95?
Probabilidades y Estadstica. 4 Semestre. CBI 2
UNEFA
A continuacin se presentan otros estadsticos que son funciones de los
cuadrados de las observaciones en una muestra aleatoria procedente de una
poblacin normal.
El teorema 2 establece la distribucin muestral de la suma de los cuadrados de
variables aleatorias normales estndar e independientes.
TEOREMA 2. Sean Y
1
, Y
2
,..., Y
n
definidas tal como en el teorema 1. Entonces
( ) /
i i
Y Z
son VA normales estndar e independientes, i=1,2,...,n, y
2
2


,
_

i
i
Y
Z
Tiene una distribucin
2

(ji-cuadrado) con n grados de libertad.

EJEMPLO 3: Si Z
1
, Z
2
,..., Z
6
denota una muestra aleatoria de un distribucin normal
estndar, encuentre un nmero b tal que
95 . 0
6
1
2

,
_

i
i
b Z P
La distribucin
2

desempea un papel importante cuando se desea hacer una

inferencia con respecto a la varianza
2
de la poblacin basada en una muestra
aleatoria Y
1
, Y
2
,..., Y
n
tomada de una poblacin normal
Un buen estimador de
2
es la varianza muestral
( )

n
i
i
Y Y
n
S
1
2
2
1
1
Probabilidades y Estadstica. 4 Semestre. CBI 3
u
f(u)
0

Distribucin ji-cuadrado
( )

>
2 2
P
UNEFA
El siguiente teorema nos da la distribucin de probabilidad para una funcin del
estadstico S
2
.
TEOREMA 3. Sea Y
1
, Y
2
,..., Y
n
una muestra aleatoria de tamao n de una
distribucin normal con media y varianza
2
. Entonces
( )
( )
2
2
1
2
2
1 1

S n
Y Y
n
i
i

tiene una distribucin

2
con (n-1) grados de libertad. Y y S
2
son tambin VA
independientes.
EJEMPLO 4: En el ejemplo 1, se supone que las onzas del contenido que vaca la mquina
embotelladora tiene una distribucin normal con
2
= 1. Supngase que se desea obtener
una muestra aleatoria de 10 botellas y medir el contenido en cada una. Si se utilizan
estas 10 observaciones para calcular S
2
, podra ser til especificar un intervalo de
valores que incluyeran a S
2
con una alta probabilidad. Encuentre los nmeros b
1
y b
2
tales
que
( ) 90 . 0
2
2
1
b S b P
El Teorema 1 proporciona la base del desarrollo de procedimientos para hacer
inferencias con respecto a la media de una poblacin normal con una varianza
conocida
2
. En este caso dicho Teorema nos dice que
( ) / Y n
tiene una
distribucin normal estndar.
Cuando se desconoce se le puede estimar mediante
2
S S y la expresin

,
_

S
Y
n

nos dar la base para el desarrollo de mtodos de inferencias con respecto a
. En consecuencia, la distribucin de probabilidad
( ) S Y n /
est dada por
una funcin de densidad de probabilidad conocida como distribucin t de
student con n-1 grados de libertad.
Probabilidades y Estadstica. 4 Semestre. CBI 4
UNEFA
DEFINICIN 2: Sea Z una VA normal estndar y sea
2

una VA ji-
cuadrada con

grados de libertad.
Entonces si Z y
2

son independientes,
/
2
Z
T
se dice que tiene una distribucin t de student con

grados de libertad.
Si Y
1
, Y
2
,..., Y
n
es una muestra aleatoria de una poblacin normal con media y
varianza
2
, entonces
( ) Y n Z
tiene una distribucin normal estndar.
( )
2 2 2
1 S n
tiene una distribucin
2

con
1 n
grados de libertad y que Z
y
2

son independientes, por lo tanto

( )
( ) ( )

,
_

S
Y
n
n S n
Y n Z
T

1 1
2 2 2
tiene una distribucin t con (n-1) grados de libertad.
Como la funcin de densidad normal estndar, la funcin t es simtrica con
respecto a cero. Adems, para
1 >
, E(T)=0 y para
2
,
( ) 2 ) ( T V
.
As vemos que una VA con una distribucin t tiene el mismo valor esperado que
una VA normal estndar. Sin embargo, una VA normal estndar siempre tiene una
varianza de 1, mientras que la varianza de una VA con una distribucin t siempre
es mayor que 1.
Probabilidades y Estadstica. 4 Semestre. CBI 5
Normal
estndar
t
UNEFA
EJEMPLO 5: La resistencia a la tensin para cierto tipo de alambre se distribuye
normalmente con una media desconocida y varianza desconocida
2
. Se seleccionan al
azar 6 segmentos de alambre de un rollo grande y se midi Y
i
, la resistencia a la tensin
para el segmento i, en donde i=1,2,..., 6. La media de la poblacin y la varianza
2
se
pueden estimar por Y y S
2
, respectivamente. Ya que
n
Y
2
2

,
2
Y

puede ser estimada

por
n
S
2
. Encuentre la probabilidad aproximada de que Y est a lo ms a
n
25
de la
verdadera media poblacional .
Supngase que se desea comparar las varianzas de 2 poblaciones normales basadas
en la informacin contenidas en muestras aleatorias independientes de las dos
poblaciones. Supngase que una muestra aleatoria contiene n
1
variables aleatorias
distribuidas normalmente con una varianza
2
1
y que la otra muestra aleatoria
contiene n
2
variables aleatorias distribuidas normalmente con una varianza
2
2
. Si
calculamos
2
1
S de las observaciones de la muestra 1, entonces
2
1
S es una estimacin
de
2
1
. De manera similar para la muestra 2.
As intuitivamente se podra pensar en utilizar
2
2
2
1
S
S
para hacer inferencias con
respecto a las magnitudes relativas de
2
1
y
2
2
. Si dividimos cada
2
i
S
por
2
i

,
entonces la razn siguiente

,
_

,
_

2
2
2
1
2
1
2
2
2
2
2
2
2
1
2
1
S
S
S
S

tiene una DISTRIBUCIN F con (n

1
-1) y (n
2
-2) grados de libertad.
DEFINICIN 3: Sean
2
1
y
2
2
variables aleatorias ji-cuadrada con
1

y
2

grados de libertad, respectivamente. Entonces si
2
1
y
2
2
son independientes,
2
2
2
1
2
1


F
se dice que tiene una DISTRIBUCIN F con
1

grados de libertad del numerador

y
2

grados de libertad del denominador.

Probabilidades y Estadstica. 4 Semestre. CBI 6
UNEFA
La funcin de densidad para variables aleatorias con la distribucin F es un miembro
de la familia de las distribuciones beta.
EJEMPLO 6: Si se toman dos muestras independientes de tamao n
1
=6 y n
2
=10 de dos
poblaciones normales con la misma varianza poblacional, encuentre el nmero b tal que
95 . 0
2
2
2
1

,
_

b
S
S
P
3. El Teorema del Lmite Central.
Considere la VA Y
i
definida como la suma de n variables aleatorias independientes e
idnticamente distribuidas y
1
, y
2
,..., y
n
. Esto es, Y
i
=y
1
+y
2
+...+y
n
.
El TEOREMA DEL LMITE CENTRAL establece que, cuando n es grande
( ) n
, la
distribucin de Yi tiende hacia la normalidad independientemente de las distribuciones
originales de y
1
, y
2
,..., y
n
.
TEOREMA 4. El Teorema del Lmite Central: Sean Y
1
, Y
2
,..., Y
n
variables
aleatorias independientes y distribuidas idnticamente con
( )
i
Y E
y
( ) <
2

i
Y V
. Definimos

,
_

Y
n U
n en donde

n
i
i
Y
n
Y
1
1
Probabilidades y Estadstica. 4 Semestre. CBI 7
u
f(u)
0

F
Distribucin F
UNEFA
Entonces la funcin de distribucin n
U
converge a una funcin de distribucin
normal estndar cuando
( ) n
.
EJEMPLO 7: Los resultados de las pruebas finales de todos los alumnos del ltimo ao
de bachillerato de cierto estado tiene una media de 60 y una varianza de 64. se obtuvo
una muestra de 100 alumnos y tuvo una media de 58. Calcule la probabilidad de que la
media muestral sea a lo ms 58.
EJEMPLO 8: Los tiempos de espera para los clientes que pasan por una caja
registradora a la salida de una tienda son variables aleatorias independientes con una
media de 1.5 min. y una varianza de 1. Aproxime la probabilidad de que se pueda atender
a 100 clientes en menos de 2 horas.
4. Aproximacin Normal de la Distribucin Binomial.
El Teorema del Lmite Central se puede utilizar tambin para aproximar las
probabilidades de algunas variables aleatorias discretas cuando es difcil calcular las
probabilidades exactas para valores grandes del tamao n de la muestra. Un ejemplo til
trata de la distribucin binomial.
Suponga que Y tiene una distribucin binomial con n pruebas y con probabilidad de
xito denotada por p. Si se desea calcular
( ) b Y P
, entonces se puede utilizar la funcin
de probabilidad binomial para calcular la probabilidad para cada entero no negativo menor
o igual a b y sumar estas probabilidades.
Se puede considerar a Y, el nmero de xitos en n pruebas, como una suma de una
muestra formada por ceros y unos, es decir,

n
i
i
X Y
1
en donde

'

fracaso
xito
X
i
, 0
, 1
y X
i
, i=1,2,...,n son independientes. Por consiguiente, cuando n es grande, la
proporcin de xitos en la muestra,
X X
n n
Y
n
i
i


1
1
tendr aproximadamente una
distribucin muestral normal con media
( ) p X E
i

y una varianza igual a ( )
n
pq
X V
i
.
Probabilidades y Estadstica. 4 Semestre. CBI 8
UNEFA
EJEMPLO 9: El candidato A considera que puede ganar una eleccin en una ciudad si
obtiene al menos 55% de los votos. Adems, supone que alrededor del 50% de los
votantes estn a su favor. Si n=100 votantes, cul es la probabilidad de que el candidato
A reciba al menos 55% de los votos?
La aproximacin normal de las probabilidades binomiales funciona bien aun cuando n
no sea muy grande, en tanto que p no est demasiado cerca de cero o de uno. Una regla
emprica til es que la aproximacin normal de la distribucin binomial es apropiada
cuando
n pq p 2 t
est dentro del intervalo (0,1).
EJEMPLO 10: Supngase que Y tiene una distribucin binomial con n=25 y p=0.4.
Encuentre las probabilidades exactas de que
8 Y
y
8 Y
, y compare estos resultados
con los valores correspondientes encontrados por la aproximacin normal.
Probabilidades y Estadstica. 4 Semestre. CBI 9