UNIVERSIDAD NACIONAL DE INGENIERÍA

Facultad de Ingeniería Química y Textil

2020- 1
MA-613
MUESTREO ALEATORIO Y
DISTRIBUCIONES EN EL
MUESTREO

MA-613
 MUESTREO ALEATORIO Y
DISTRIBUCIONES EN EL MUESTREO

OBJETIVO:
Construir la Distribución de Probabilidad de los estadísticos.

Casi siempre necesitamos estudiar las propiedades de una

determinada población, pero nos encontramos con el inconveniente
de que es demasiado numerosa como para analizar todos los
individuos que la componen.

Por tal motivo, recurrimos a extraer una muestra de la misma y a

utilizar la información obtenida para hacer inferencias sobre toda la
población. La muestra debe ser aleatoria, para que sea
representativa de la población.

MA-613
MA-613
 Muestreo Aleatorio

MA-613
 MUESTREO ALEATORIO Y
DISTRIBUCIONES EN EL MUESTREO

Consideremos todas las posibles muestras que pueden extraerse de

una población dada. Para cada muestra se puede calcular un
estadístico, tal como la media, la desviación estándar, la varianza,
que variará de una muestra a otra.

De esta forma se obtiene una DISTRIBUCIÓN DEL ESTADÍSTICO que

se conoce como DISTRIBUCIÓN MUESTRAL O DISTRIBUCIONES EN EL
MUESTREO.

Por ello, en esta unidad se estudiará las DISTRIBUCIONES

MUESTRALES de los principales estadísticos: media muestral,
varianza muestral y diferencias de medias muestrales.

MA-613
 DISTRIBUCIONES MUESTRALES

Uno de los objetivos de la estadística es conocer acerca del

comportamiento de parámetros poblacionales tales como:

la media ( μ ), la varianza (σ )
Para ello se extrae una muestra aleatoria de la población y
se calcula el valor de un estadístico correspondiente.
Por ejemplo:
La media muestral ( X barra ), la varianza muestral (S).
El valor del estadístico es aleatorio porque depende de los
elementos elegidos en la muestra seleccionada y, por lo
tanto, el estadístico tiene una distribución de probabilidad
la cual es llamada la Distribución Muestral del estadístico.
MA-613
 DISTRIBUCIONES MUESTRALES

Ejemplos:
 Estimar el tiempo promedio que una persona permanece en un
banco, se hace necesario conocer la distribución de dichos
tiempos (lo cual no siempre es posible). Es necesario observar los
tiempos empleados por n personas para obtener una
aproximación del tiempo promedio real (parámetro de interés).

 Estimar el promedio de lavadoras que se descomponen antes del

tiempo de garantía. Para estimar esta probabilidad es necesario
recopilar información acerca del número de lavadoras
descompuestas en cierto período de una producción dada. El
parámetro o característica de interés no es conocida, pero puede
ser aproximada de la información recopilada.

MA-613
 DISTRIBUCIONES MUESTRALES
Error de Muestreo
Si seleccionamos una muestra por el método de muestreo
aleatorio simple o por otro tipo de muestreo, es poco
probable que la media de la muestra sea idéntica a la media
de la población de donde fue obtenida.

De la misma forma, es probable que la desviación estándar

de la muestra no sea exactamente igual al valor
correspondiente de la población.

MA-613
 Error de Muestreo

Por lo tanto podemos esperar alguna diferencia

entre un estadístico muestral y el
correspondiente parámetro poblacional. Esta
diferencia es llamada error de muestreo.

Por lo tanto:

Error de muestreo
Es la diferencia entre un estadístico muestral y
su correspondiente parámetro poblacional.
MA-613
DISTRIBUCIONES MUESTRALES

Teorema 1:
Sea X una v.a. de parámetros 𝜇𝑥 y 𝜎𝑋2, , y sea 𝑋ത la media muestral
de una muestra aleatoria tamaño n, entonces:
𝜎𝑥2
𝜇𝑥lj = 𝐸(𝑋) = 𝜇𝑥 𝑦 𝜎𝑥2lj = 𝑉(𝑋) =
𝑛

Teorema 2:
Sea X una v.a. que sigue una distribución normal X~N (𝜇𝑥 ,𝝈𝟐𝒙 ,) y sea
𝑋ത la media muestral de una muestra aleatoria de cualquier tamaño
n (n≥2), entonces: 𝑋ത ~N (𝝁𝑿 ,𝝈𝟐𝑿 ,) es decir:
es decir:
𝜎𝑥2
𝑋 ~𝑁 𝜇𝑥 ;
𝑛

MA-613
 DISTRIBUCIONES MUESTRALES

Teorema 3: Teorema de Límite Central

Sea X una v.a. con distribución desconocida o diferente de la Normal, de
parámetros 𝜇𝑥 y 𝜎𝑋2, y sea 𝑋 la media muestral de una muestra aleatoria
tamaño n, si n es una muestra grande ( n > 30) entonces:
𝜎𝑥2
𝑋 ≈ 𝑁 𝜇𝑥 ;
𝑛
Mientras mayor sea el tamaño de la muestra, más cerca estará la distribución
muestral de ser normal.
𝜎𝑥2
Nota: Si 𝑋 ~𝑁 𝜇𝑥 ; , para el cálculo de probabilidades se debe
𝑛
estandarizar:

ሜ
𝑋−𝜇 𝑋 ሜ
𝑋−𝜇 𝑋 ሜ 𝑋
𝑋−𝜇
Z= = 𝜎𝑋 = 𝑛 ∼ 𝑍(0,1)~ 𝑁 0; 1
𝜎2
𝑋
𝜎𝑋
𝑛
𝑛

MA-613
 DISTRIBUCIONES MUESTRALES
ASOCIADAS A LA NORMAL
Cuando queramos hacer inferencia estadística veremos que
la distribución normal aparece de forma casi inevitable, ya
que se utilizan distribuciones continuas de probabilidad que
son funciones de distribuciones normales, dependiendo del
problema, podemos encontrar otras distribuciones
asociadas a la normal:
𝝌𝟐 Ji-cuadrado o Chi-cuadrado, 𝑡 − 𝑠𝑡𝑢𝑑𝑒𝑛𝑡 y 𝐹 − 𝑆𝑛𝑒𝑑𝑒𝑐𝑜r.

MA-613
 DISTRIBUCIONES MUESTRALES
ASOCIADAS A LA NORMAL

DISTRIBUCIÓN T DE STUDENT

Dadas dos variables aleatorias independientes; una Z ~ N (0,1) y

otra 𝝌𝟐 𝒏−𝟏 𝒈.𝒍. generamos una nueva variable aleatoria
llamada 𝑻 donde:

ഥ − 𝝁𝒙
𝑿
𝑻= 𝒏 ~ 𝒕 𝒏−𝟏 𝒈.𝒍.
𝑺𝒙

Tiene un parámetro denominado grados de libertad: n-1.

MA-613
 DISTRIBUCIÓN T DE STUDENT

Características de la 𝒇(𝒕)

 Acampanada y asintótica al eje X

 El recorrido de la v.a. 𝑇 es todos los reales.
 La media de la distribución es cero. 𝐸(𝑡) = 0
 𝑓(𝑡) simétrica respecto a su media
 Si n es grande : 𝑡 ≈ 𝑍

MA-613
 Función de Distribución t-estudent

2 g.l. 10 g.l.

MA-613 100 g.l.

 DISTRIBUCIONES MUESTRALES
(casos)

MA-613
 Distribuciones Muestrales

( I ) Distribución de la Media Muestral ഥ

𝑿
Se toma una muestra de tamaño n de una población con 𝜇𝑥 𝑦 𝜎𝑥2

1er Caso: Si 𝝈𝟐
𝒙 conocida

Si X ~ N (  x ;  x2 ) y n2
ó Si X cualquier distribución y n  30
 x2
entonces : X ~ N (x ; )
n
X  x  X  x 
Z    n ~ N (0;1)
x   x 
n

MA-613
 2do. Caso: Si 𝝈𝟐𝒙 desconocida
 x2
Si X ~ N (  x ;  x2 ) ; X ~ N (  x ; ) S x2 conocida
n
a) Si n es pequeño (n<30)

x x 
t x  x n  t
S / n  S   n  1 g .l.
x  x  

b) Si n es grande (n ≥ 30), entonces:

X  x
Z ~ N (0;1)
Sx
n

MA-613
II Distribución de: la diferencia de medias muestrales 𝑿𝟏 - 𝑿𝟐

X1 ~ N ( 1;  12 ) X 2 ~ N ( 2 ;  22 )
  12  22 
( X1 - X 2 ) ~ N  1  2 ;  
 n 1 n2 

1er. Caso: Si 𝜎12 𝑦 𝜎22 son conocidas

( X 1  X 2 )  ( 1   2 )
Z  ~ N (0;1)
 2
  2

 1

2

 1
n n2 

Nota.- también si X1 y X2 siguen cualquier distribución y n1 ≥ 30 y n2 ≥ 30

MA-613
2do. Caso: Si 𝜎12 𝑦 𝜎22 desconocidas, 𝑆12 y 𝑆22 conocidas y para
muestras pequeñas y n1 y n2.
a) Si 𝝈𝟐𝟏 = 𝝈𝟐𝟐

( X 1  X 2 )  ( 1  2 )
t ~ t( n1  n2  2) g .l .
Sp
donde:

1 1 𝑆12 (𝑛1 − 1) + 𝑆22 (𝑛2 − 1)

𝑆𝑝2 = + 𝑣𝑎𝑟 𝑖 𝑎𝑛𝑧𝑎 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑎
𝑛1 𝑛2 𝑛1 + 𝑛2 − 2

MA-613
b) Si 𝝈𝟐𝟏 ≠ 𝝈𝟐𝟐
 s12 s22 
( X 1  X 2 )  ( 1   2 ))   
t ~ t(G ) g .l. G  n1 n2 
s 2
s  2 2
 s12   s22 
2

  
1 2

 n1 n2     
 n1    n2 
n1  1 n2  1

Nota,
Si 𝜎12 𝑦 𝜎22 desconocidas y n1 y n2 son grandes:

(𝑋ሜ 1−𝑋ሜ 2 )−(𝜇1 −𝜇2 )

𝑍= ~ N(0,1)
𝑆2 2
1 + 𝑆2
𝑛1 𝑛2

MA-613
Mg. Yone Eldy Ramos Balcázar