Documente Academic
Documente Profesional
Documente Cultură
Frequency
70
60
50
40
30
20
10
0
0
10
15
C1
Se halla el gasto diario medio, UX, y la variabilidad del gasto diario en pasajes, X .
Con la grfica y los valores de X , X se tiene toda la informacin necesaria
correspondiente a la variable X.
Si tratamos de encontrar el modelo probabilstico que se ajuste a los datos de la variable,
X , por la forma del histograma, podemos decir que el modelo normal es el que mejor
se ajusta, y por lo tanto decimos que: X tiene distribucin N( X , X2 ).
Observemos que el valor de X y X son conocidos porque, como se llev a
cabo el censo, se cuenta con todos los datos poblacionales, pero en situaciones reales no
se conocen estos valores y precisamente para obtener informacin de estos valores o
parmetros, necesitamos contar con la informacin de una muestra.
Muestra Aleatoria
Antes de dar la definicin de muestra aleatoria, definiremos algunos conceptos:
X: Variable de inters o poblacional.
Poblacin de individuos: Conjunto de individuos, pueden ser personas, objetos o
animales, en cada uno de los cuales se mide u observa la variable de inters, X.
Distribuciones Muestrales.
A partir de una muestra de una variable aleatoria X se pueden formar otras variables
aleatorias algunas de las cuales juegan un papel muy importante en la inferencia
estadstica. Las principales variables que se pueden obtener son, por ejemplo:
La media Muestral, la Varianza Muestral y la Proporcin Muestral, etc. A la
Distribucin de Probabilidades de cada una estas de estas variables se llama
Distribucin muestral.
Distribucin muestral de la media muestral.
Ejemplo
Consideremos una poblacin constituida por las secretarias, a, b, c y d a quienes se les
pidi que digiten una carta y se observ el nmero de palabras mal digitadas y los
resultados fueron 2, 3, 3, 4 respectivamente.
Conceptos bsicos:
UO: La secretaria
Conjunto de unidades de observacin: las 4 secretarias, constituyen la poblacin de
individuos.
Variable (X): Nmero de palabras mal digitadas. (A esta se le considera la variable
poblacional)
Cuyo recorrido es: RX : 2, 3, 4
La distribucin de frecuencias relativas es:
xi
2
3
4
h(xi)
1/4
2/4
1/4
.
.
.
.
Este procedimiento resumido en la siguiente tabla
Media
Muestral
Datos
muestrales (X)
2,5
2,5
2,5
3,5
2,5
10
11
12
3,5
13
14
3,5
15
3,5
16
: 2, 2.5, 3, 3.5, 4
Y su distribucin de probabilidades es:
son:
"1/16
"4/16
"6/16
"4/16
"1/16
2,5
3
3,5
4
Distribucin
muestral
o
Distribucin
probabilidades de la Media Muestral
de
Sea X una variable aleatoria con media X y varianza X , y sea X1, X2, , Xn una
n
X
i 1
X X
n
tiene aproximadamente la
a. E X E i 1 E X i
n
n n i 1
b. V X V
1
2
n n
i 1
n X2 X2
V
X
n2
n
i 1
Observacin
X2 es la varianza de la variable poblacional X.
X
n
S2
i 1
n 1
propiedades:
2
a. E(S2) = X .(La esperanza de la varianza muestral es igual a la varianza
Poblacional)
2
2
b. Si X tiene distribucin normal, la variable n 1 S es una variable
aleatoria con distribucin Ji-cuadrado con n-1 grados de libertad
Consideremos la variable
llamada proporcin muestral, cuyas
propiedades son:
a.
(La esperanza de la proporcin muestral es igual a la proporcin
poblacional)
b. Si n suficientemente grande
n 30.
Ejemplo
Construccin de la distribucin muestral de X : Nmero Medio muestral de palabras
mal digitadas
considerando n = 3.
Posibles
Muestras
1
2
3
4
Elementos o individuos
de la muestra
a
a
a
a
a
b
a
a
c
a
a
d
2
2
2
2
datos
muestrales
2
2
2
2
2
3
3
4
Media
muestral
2
2,33
2,33
2,67
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
a
a
a
a
a
a
a
a
a
a
a
a
b
b
b
b
b
b
b
b
b
b
b
b
b
b
b
b
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
d
d
d
d
d
d
d
d
d
d
b
b
b
b
c
c
c
c
d
d
d
d
a
a
a
a
b
b
b
b
c
c
c
c
d
d
d
d
a
a
a
a
b
b
b
b
c
c
c
c
d
d
d
d
a
a
a
a
b
b
b
b
c
c
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
4
3
3
3
3
3
3
3
3
4
4
4
4
2
2
2
2
3
3
3
3
3
3
3
3
4
4
4
4
2
2
2
2
3
3
3
3
3
3
3
3
4
4
4
4
2
2
2
2
3
3
3
3
3
3
2
3
3
4
2
3
3
4
2
3
3
4
2
3
3
4
2
3
3
4
2
3
3
4
2
3
3
4
2
3
3
4
2
3
3
4
2
3
3
4
2
3
3
4
2
3
3
4
2
3
3
4
2
3
2,33
2,67
2,67
3
2,33
2,67
2,67
3
2,67
3
3
3,33
2,33
2,67
2,67
3
2,67
3
3
3,33
2,67
3
3
3,33
3
3,33
3,33
3,67
2,33
2,67
2,67
3
2,67
3
3
3,33
2,67
3
3
3,33
3
3,33
3,33
3,67
2,67
3
3
3,33
3
3,33
3,33
3,67
3
3,33
59
60
61
62
63
64
d
d
d
d
d
d
c
c
d
d
d
d
c
d
a
b
c
d
4
4
4
4
4
4
3
3
4
4
4
4
3
4
2
3
3
4
3,33
3,67
3,33
3,67
3,67
4
P( X x )
1/64
6/64
15/64
20/64
15/64
6/64
1/64
E ( X ) = 3 y V ( X ) = 0.16667
Cuadro resumen.
Esperanza y varianza de
n
2
3
E(X )
3
3
V(X )
0,25
0,16667
A partir de este cuadro observamos que cuando el tamao de muestra crece, los valores
de X estn menos dispersos, y segn la distribucin de probabilidades vemos que hay
ms datos de que estn mucho ms cerca del valor 3 y 3 precisamente es el valor de la
media poblacional que es desconocida. Tambin podemos observar que el
comportamiento probabilistico de X es simtrico, por lo que podemos decir que su
comportamiento se ajusta al modelo probabilistico Normal.
Teorema del Lmite Central.
Por propiedades de la Distribucin Normal, s, X 1 , X 2 ,..., X n son variables aleatorias
normales e independientes, la suma X 1 X 2 ... X n tambin tiene distribucin
normal. Ahora la pregunta es Cul es la distribucin de esta suma cuando las variables
X i no son normales? La respuesta es, no siempre es normal.
Sin embargo, si n es suficientemente grande, la suma tiene distribucin
aproximadamente normal. Este resultado constituye lo que se llama el Teorema del
Lmite central.
Enunciado del teorema del Lmite Central.
Sea
X 1 X 2 ... X n X X
X n
X n
La distribucin de su datos tiende a la distribucin normal estndar cuando n crece hacia
el infinito.
En la prctica, s n > 30 se tiene una buena aproximacin.
Este teorema da lugar a lo que consideramos muestra pequea y muestra grande, as:
S n <= 30 muestra pequea
S N > 30 muestra grande.
X y varianza X2 . Se cumple que la variable aleatoria:
Observacin.
S X 1 , X 2 ,..., X n es una m.a de X, donde X tiene cualquier funcin de distribucin,
2
con media X y varianza X , entonces por el teorema del lmite central,
X N ( X , X2 / n) cuando n grande.
En la prctica s n > 30 se tiene una buena aproximacin.
Ejemplo 8.
La distribucin de los pesos, X, de cada una de las cartas que se enviaron por correo
tiene media y desviacin estndar igual a 20 gr. Y 5 gr. Respectivamente. Se selecciona
una m.a de 50 cartas.
a. Cul es la fdp de la variable poblacional?
b. Halle, la media y desviacin estndar del Peso medio muestral.
c. P( P ( X X 2)
d. P (25 X 31)
La teora dad respecto de la distribucin muestral hasta esta parte,
corresponde a lo que se llama, para poblaciones finitas grandes o
poblaciones infinitas.
Hemos visto a travs de los ejemplos que la distribucin muestral de la Media
Muestral, no depende de la distribucin de la variable aleatoria poblacional, X, es decir
puede proceder de un variable poblacional, X, con distribucin normal, Poisson.
Binomial, Hipergeomtrica o Bernoulli, trataremos la distribucin de la media muestral,
X , cuando la muestra proviene de una variable aleatoria poblacional Normal y de una
Bernoulli.
Distribucin Muestral de la media Muestral en una poblacin Normal con
Varianza conocida.
2
1. Si X 1 , X 2 ,... X n es una m.a seleccionada de una poblacin N( X , X ), entonces:
X2 N n
N ( X ,
)
n N 1
Ejemplo.
Una variable aleatoria X tiene distribucin Normal con media 10 y desviacin estndar
4. A los participantes de un juego se les permite observar una muestra de cualquier
tamao y calcular la media muestral, gana un premio aquel cuya media muestral fuere
mayor que 12.
a. Si un participante selecciona una m.a. de tamao 16. Cul es la probabilidad
que gane el premio?
b. Escoja usted un tamao de muestra diferente de 16, para participar en el juego.
Cul es la probabilidad de que usted gane el premio?
c. Basndose en los resultados anteriores. Cul es el mejor tamao de la muestra
para participar en el juego?