FORMULARIO DE LAS DISTRIBUCIONES MUESTRALES

1. Formulas implicadas en el proceso de construcción de una distribución muestral de las

medias:
• Si las muestras se extraen con reemplazo el número de medias muestrales posibles es 𝑛𝑥̅ =
𝜎
𝑁 𝑛 y se cumples que 𝜇𝑥̅ = 𝜇 y 𝜎𝑥̅ =
√𝑛
• Si las muestras se extraen sin reemplazo: el número de medias muestrales posibles es
𝑁2 𝑁! 𝜎 𝑁−𝑛
𝑛𝑥̅ = 𝐶 ( 𝑛 ) = 𝑁𝐶𝑛 = Y se cumple que 𝜇𝑥̅ = 𝜇 y 𝜎𝑥̅ = √
𝑛!(𝑁−𝑛)! √𝑛 𝑁−1

N es el tamaño de la población y n representa el tamaño de la muestra.

∑𝑁
𝑖=1 𝑥𝑖
1.a.- 𝜇 = Media poblacional
𝑁

∑𝑁
𝑖=1(𝑥𝑖 −𝜇)
2
1.b.- 𝜎 2 = Varianza poblacional
𝑁

∑𝑁
𝑖=1(𝑥𝑖 −𝜇)
2
1.c.- 𝜎 = √ Desviación estándar poblacional
𝑁

∑𝑁
𝑖=1 𝑥̅ 𝑖
1.d.- 𝜇𝑥̅ = Media de la distribución muestral de la media
𝑛𝑥̅

∑𝑁
𝑖=1(𝑥𝑖 −𝜇)
2
1.e.- 𝜎 = √ Desviación estándar muestral
𝑁

∑𝑁
𝑖=1(𝑥𝑖 −𝜇)
2
1.f.- 𝜎𝑥̅ 2 = Desviación estándar de la distribución muestral de la media
𝑛𝑥̅ −1

̅
2.- Distribución Muestral de las Medias: 𝒙

Teorema Central del Límite:

Sean 𝑥1 ∙ 𝑥2 … 𝑥𝑛 variables aleatorias independientes y distribuidas idénticamente con 𝐸(𝑥𝑖 ) = 𝜇 y

𝑉(𝑥𝑖 ) = 𝜎 2 definamos:

∑𝑁
𝑖=1 𝑥𝑖 −𝑛𝜇 𝑥̅ −𝜇 𝑥̅ −𝜇
𝑧= o 𝑧 = 𝜎/ (con reemplazo) o 𝑧= (sin reemplazo)
𝜎 √𝑛 √𝑛 𝜎 𝑁−𝑛
√
√𝑛 𝑁−1

Cuando se conoce la desviación estándar poblacional 𝜎 o la varianza poblacional 𝜎 2

Entonces la función de distribución de Z converge hacia la función de distribución normal estándar

cuando n →∞ esto es:
𝑢 𝑡2
1
lim 𝑃(𝑧 ≥ 𝑢) = ∫ 𝑒 − 2 𝑑𝑡, ∀𝑢
−∞ √2𝜋
Teorema Central del límite implica que los enunciados de probabilidad acerca de z pueden ser
aproximados por probabilidades correspondientes para la variable aleatoria estándar si n es grande:
Por lo general, muchos estadísticos coinciden que un valor mayor que treinta (en algunos casos no
es tan estricto que n>30) asegura que la distribución de z se puede calcular en forma aproximada por
una distribución normal.

Además es importante conocer:

• 𝑃(𝑧 ≤ 𝑘 ) o 𝑃(𝑧 < 𝑘) se halla directamente en la tabla de la distribución normal.

• 𝑃(𝑧 ≥ 𝑘 ) = 1 − 𝑃(𝑧 < 𝑘) o 𝑃(𝑧 > 𝑘 ) = 1 − 𝑃(𝑧 ≤ 𝑘)
• 𝑃(𝑘1 ≤ 𝑧 ≤ 𝑘2 ) = 𝑃(𝑧 ≤ 𝑘2 ) − 𝑃(𝑧 ≤ 𝑘1 ) o 𝑃(𝑘1 < 𝑧 < 𝑘2 ) = 𝑃 (𝑧 < 𝑘2 ) − 𝑃 (𝑧 < 𝑘1 )

2.- Distribución Muestral de la Diferencia de Medias: ̅̅̅

𝒙𝟏 − ̅̅̅
𝒙𝟐

Si se tienen dos poblaciones independientes con medias poblacionales 𝜇1 y 𝜇2 , varianzas 𝜎12 y 𝜎22 y
si x̅1 − x̅̅̅2 son las medias muestrales de dos muestras aleatorias independientes de tamaño 𝑛1 y 𝑛2 ,
de estas poblaciones, entonces la distribución de muestreo es:

𝑥1 − ̅̅̅
̅̅̅ 𝑥2 − (𝜇1 − 𝜇2)
𝑧=
𝜎12 𝜎22
√
𝑛1 + 𝑛2

Además es importante recordar:

• 𝑃(|x̅1 − ̅̅̅|
x2 ≤ 𝑘 ) = (−𝑘 ≤ |x̅1 − ̅̅̅|x2 ≤ 𝑘 ) o 𝑃 (|x̅1 − ̅̅̅ x2 | < 𝑘 ) = (−𝑘 < |x̅1 − ̅̅̅
x2 | < 𝑘 )
• 𝑃(|x̅1 − ̅̅̅|
x2 ≥ 𝑘 ) = 2𝑃(|x̅1 − ̅̅̅
x2 | ≤ −𝑘 ) = 2𝑃 (|x̅1 − x̅̅̅2 | ≥ 𝑘 ) o
𝑃(|x̅1 − ̅̅̅
x2 | > 𝑘 ) = 2𝑃(|x̅1 − ̅̅̅
x2 | < −𝑘 ) = 2𝑃(|x̅1 − ̅̅̅
x2 | > 𝑘 )
Nota: para el cálculo de las probabilidades es bueno tener en cuenta las fórmulas del punto
anterior.

̂
4.- Distribución Muestral de la proporción: 𝒑

Cuando se tiene una población infinita distribuida binomialmente, donde 𝝅 (“éxito” o “que tenga”) y 𝜸=
1 − 𝜋 (“fracaso” o “que no tenga”), son las probabilidades respectivas de que cualquier miembro dado de la
población, presente o no cierta propiedad, donde
𝑥 𝑥
𝑝̂ = 𝑛 Si 𝑛𝜋 ≥ 5 y 𝑛𝛾 ≥ 5 , además 𝜋 debe estar alejada de 0 y 1. 𝜋 = 𝑁

Esa distribución binomial se aproxima a la normal mediante:

̂ +𝑓.𝑐−𝜋
𝒑 1
𝑧= 𝜋𝛾
donde 𝛾 = 1 − 𝜋 f.c = − 2𝑛, Si 𝑃(𝑝̂ ≥ 𝑘 ) o 𝑃 (𝑝̂ < 𝑘 )
√𝑛

1
f.c = + 2𝑛, Si 𝑃 (𝑝̂ ≤ 𝑘 ) o 𝑃(𝑝̂ > 𝑘 )
 𝒙+𝑓.𝑐−𝑛𝜋
𝑧= donde 𝛾 = 1 − 𝜋 f.c = -0.5, Si 𝑃 (𝑥 ≥ 𝑘 ) o 𝑃 (𝑥 < 𝑘 )
√𝑛𝜋𝛾

f.c = +0.5, Si 𝑃 (𝑥 ≤ 𝑘 ) o 𝑃 (𝑥 > 𝑘 )

̂ −𝜋
𝒑 𝒙−𝑛𝜋 𝒙−𝑛𝜋
𝑧= ; 𝑧= ; 𝑧=
√
𝜋(1−𝜋) √𝜋𝛾 √𝜋(1−𝜋)
𝑛

𝜋(1−𝜋)
4.a.- 𝜎𝑝̂ = √ Desviación estándar de la proporción
𝑛

∑𝑁
𝑖=1 𝑝̂𝑖
4.b.- 𝜇𝑝̂ = Media de la distribución muestral de la proporción
𝑛𝑝̂

̂
∑𝑛𝑝 (𝑝 −𝜇𝑝̂)2
𝑖=1 𝑖
4.c.- 𝜎𝑝̂ = √ Desviación estándar de la distribución muestral de las proporciones
𝑛𝑝̂

Además es importante conocer:

• 𝑃(𝑥 ≤ 𝑘 ) se halla directamente en la tabla directamente.

• 𝑃(𝑥 < 𝑘 ) = 𝑃(𝑥 ≤ 𝑘 − 1)
• 𝑃(𝑘1 ≤ 𝑥 ≤ 𝑘2 ) = 𝑃 (𝑥 ≤ 𝑘2 ) − 𝑃 (𝑥 ≤ 𝑘1 ) o 𝑃(𝑘1 < 𝑥 < 𝑘2 ) = 𝑃(𝑥 < 𝑘2 ) − 𝑃 (𝑥 < 𝑘1 )
• 𝑃(𝑥 = 𝑘 ) = 𝑃 (𝑥 ≤ 𝑘 ) − 𝑃(𝑥 ≤ 𝑘 − 1)
• 𝑃(𝑥 ≥ 𝑘 ) = 1 − 𝑃(𝑥 < 𝑘)
• 𝑃(𝑥 > 𝑘 ) = 𝑃(𝑥 ≥ 𝑘 + 1)

̂𝟏 − 𝒑
5.- Distribución Muestral de la Diferencia de proporciónes: 𝒑 ̂𝟐

Si se tienes dos poblaciones binomiales independientes, donde 𝜋1 ∙ 𝛾1 = 1 − 𝜋1 , 𝜋2 y 𝛾2 = 1 − 𝜋2, son

las probabilidades respectivas de que cualquier miembro dado de las poblaciones, presente o no
cierta propiedad.

Si 𝑛1 𝜋1 ≥ 5 𝑦 𝑛1 𝛾1 ≥ 5, 𝜋1 debe estar alejada de 0 y 1.

Si 𝑛2 𝜋2 ≥ 5 𝑦 𝑛2 𝛾2 ≥ 5, 𝜋2 debe estar alejada de 0 y 1.

𝑝̂1 − 𝑝̂ 2 − (𝜋1 − 𝜋2 )
𝑧=
𝜋 𝛾 𝜋 𝛾
√ 𝑛1 1 + 𝑛2 2
1 2

donde 𝛾1 = 1 − 𝜋1 ; donde 𝛾2 = 1 − 𝜋2

Además, es importante recordar:

• 𝑃(|𝑝̂1 − 𝑝̂ 2 | ≤ 𝑘 ) = (−𝑘 ≤ |𝑝̂ 1 − 𝑝̂ 2 | ≤ 𝑘 ) o 𝑃(|𝑝̂ 1 − 𝑝̂ 2 | < 𝑘 ) = (−𝑘 < |𝑝̂1 − 𝑝̂ 2 | < 𝑘 )

• 𝑃(|𝑝̂1 − 𝑝̂ 2 | ≥ 𝑘 ) = 2𝑃 (|𝑝̂1 − 𝑝̂ 2 | ≤ −𝑘 ) = 2𝑃 (|𝑝̂1 − 𝑝̂ 2 | ≥ 𝑘 ) o
𝑃(|𝑝̂1 − 𝑝̂ 2 | > 𝑘 ) = 2𝑃(|𝑝̂ 1 − 𝑝̂ 2 | < −𝑘 ) = 2𝑃 (|𝑝̂1 − 𝑝̂ 2 | > 𝑘 )

6.- Distribución Muestral de la varianza o desviación estándar: 𝒔 y 𝒔𝟐

Si n≥30 y se desconoce la desviación estándar poblacional σ o la varianza poblacional 𝜎 2 se usa:
𝑠−𝜎
𝑧= 𝜎 n≥30 o n≥100
√2𝑛

(𝑛−1)𝑠 2 𝑥−𝑥̅
𝑥2 = n≤30 𝑧=
𝜎2 𝜎

Donde 𝑥 2 tiene una distribución 𝑥 2 con 𝑛 − 1 grados de libertad, también 𝑥̅ 𝑦 𝑠 2 son variables
aleatorias independientes.