UNIVERSIDAD NACIONAL AUTNOMA DE MXICO

FACULTAD DE INGENIERA

PROBABILIDAD Y ESTADSTICA

DISTRIBUCIONES MUESTRALES

Alumno: Prez Arellano Alberto Aarn Profesor: Ing. Julio Vargas Ramrez

Objetivo:

El alumno identificar las distribuciones de algunos estadsticos que se utilizan en el muestreo. Temario: El concepto y la definicin de muestra aleatoria y estadstico. Muestreo aleatorio simple. Teorema del lmite central. Generacin de nmeros aleatorios con distribucin normal utilizando el teorema del lmite central. Distribucin de la media muestral. Distribucin ji-cuadrada. Uso de tablas. Distribucin de Distribucin t. Uso de tablas.

Concepto y definicin de muestra aleatoria, concepto y definicin de muestra estadstica Es una muestra sacada de una poblacin de unidades, de manera que todo elemento de la poblacin tenga la misma probabilidad de seleccin y que las unidades diferentes se seleccionen independientemente. Muestra estadstica es un subconjunto de casos o individuos de una poblacin estadstica. Las muestras se obtienen con la intencin de inferir propiedades de la totalidad de la poblacin, para lo cual deben ser representativas de la misma. Para cumplir esta caracterstica la inclusin de sujetos en la muestra debe seguir una tcnica de muestreo. En tales casos, puede obtenerse una informacin similar a la de un estudio exhaustivo con mayor rapidez y menor Por otra parte, en ocasiones, el muestreo puede ser ms exacto que el estudio de toda la poblacin porque el manejo de un menor nmero de datos provoca tambin menos errores en su manipulacin. En cualquier caso, el conjunto de individuos de la muestra son los sujetos realmente estudiados. El nmero de sujetos que componen la muestra suele ser inferior que el de la poblacin, pero suficiente para que la estimacin de los parmetros determinados tenga un nivel de confianza adecuado. Para que el tamao de la muestra sea idneo es preciso recurrir a su clculo. Muestreo Aleatorio Simple Es el procedimiento probabilstico de seleccin de muestras ms sencillo y conocido, no obstante, en la prctica es difcil de realizar debido a que requiere de un marco muestral y en muchos casos no es posible obtenerlo. Puede ser til cuando las poblaciones son pequeas y por lo tanto, se cuenta con listados. Cuando las poblaciones son grandes, se prefiere el muestreo en etapas. Se utiliza ampliamente en los estudios experimentales, adems, de ser un procedimiento bsico como componente de mtodos ms complejos como pueden llegar a ser los muestreos estratificados y en etapas. Se caracteriza por que otorga la misma probabilidad de ser elegidos a todos los elementos de la poblacin. Para l calculo muestral, se requiere de: El tamao poblacional, si sta es finita, del error admisible y de la estimacin de la varianza.

Teorema del Limite Central Para poder abundar en el tema es necesario recordar lo que es distribucin normal y sus caractersticas. Se dice que X sigue una distribucin Normal, con media y desviacin tpica , con (< <+ y >0), que se representa con la siguiente notacin: Su Funcin de Densidad viene definida por:

Donde los smbolos e y tienen valores aproximadamente 2.7183 y 3,1416. La Funcin de Probabilidad permite calcular la probabilidad de que una variable aleatoria X, pertenezca a un intervalo [a,b]. Dicha probabilidad se obtiene como:

Se cumple que,

El histograma correspondiente a la Funcin de Densidad, tiene forma de una campana simtrica con una densidad o valor mximo en la media, y dicha densidad decrece de forma simtrica a ambos lados en funcin del valor de la desviacin tpica, . Grficamente, como se puede apreciar en la figura 1, se observa que es la distancia desde la media al punto de inflexin de la campana (Romero y Zunica,2000). El parmetro de posicin (es decir, donde caen ms frecuentemente los valores), ms adecuado en distribuciones normales es la media, , que como puede apreciarse en la figura de la funcin de densidad, se corresponde con la densidad mxima. En las variables que siguen una distribucin normal la media toma un valor muy prximo o coincide con la mediana y con la moda, con lo ambos parmetros tambin seran buenos indicadores de posicin. El indicador de dispersin (mide la variabilidad de mis datos) ms adecuado es la varianza, 2, aunque realmente el ms utilizado es su raz cuadrada o desviacin tpica, , al venir expresada en las mismas unidades que la variable medida y, por lo tanto, que la media.

Respecto a los parmetros de asimetra y curtosis, toda variable que presente una distribucin normal tiene un coeficiente de asimetra nulo, como puede deducirse de la grfica de la funcin de densidad, que decrece de forma simtrica a ambos lados. As mismo presenta valores de curtosis de cero o tres en funcin de la frmula utilizada en el clculo de dicho coeficiente La distribucin cumple tres propiedades bsicas normales que constituyen la base de las tcnicas utilizadas en control estadstico. Como puede observarse en la grfica de la funcin de densidad, se comprueba que en toda distribucin normal, en el intervalo: 1. se encuentra el 68% de la distribucin. 2. 2 se encuentra el 95,5% de la distribucin. 3. 3 se encuentra el 99,7% de la distribucin. Es decir existe una probabilidad inferior al 5% de encontrar un valor de una variable aleatoria que siga una distribucin normal que difiera de su media en ms de dos desviaciones tpicas y es prcticamente improbable, con una probabilidad inferior al 3 por mil, de encontrar un valor que difiera de su media en ms de tres desviaciones tpicas. Una vez ya planteado lo anterior plantearemos El Teorema del lmite central. Realizaremos el clsico ejemplo de tirar el dado. En este caso mil veces. Un solo dado

Como se puede observar tenemos una media de 3.41 y una desviacin estndar de 1.73. Pero qu sucede si este mismo experimento lo realizamos tirando ahora dos dados? Tenemos que determinar la media de cada tiro ya que esto ser lo que grafiquemos, y obtendremos la siguiente grafica, en la que se obtendr una media de 3.43 y una desviacin estndar de 1.21

Obsrvese como los valores centrales son los ms comunes. Si se realiza el mismo experimento pero ahora con cinco dados se obtendr el siguiente histograma con media = 3.46 y con desviacin estndar de = 0.74

Obsrvese que tal y como se vio en el ejemplo anterior los valores centrales son los que se obtiene con mayor frecuencia y la distribucin es mas angosta. Hagamos el mismo experimento pero ahora con 10 dados. Se obtendr la siguiente grfica en la cual se puede observar que los valores mas repetidos son los centrales, esta tiene una media de 3.49 y una desviacin estndar de 0.56. A medida que el tamao la muestra incrementa la media se aproxima a 3.50 y la desviacin estndar se vuelve ms pequea, haciendo que la distribucin sea ms angosta.

Adems la distribucin se parece cada vez mas a una distribucin normal, aun y cuando la muestra corresponda a una distribucin uniforme. La distribucin de las madias se aproxima a una distribucin normal para muestras de tamao grande. Con todo lo anterior se puede deduce el teorema del limite central. El Teorema del lmite centra establece que si se toman muchas muestras aleatorias de tamao n de alguna variable que sigue cualquier distribucin y se registra la distribucin de las medias de cada muestra entonces: La distribucin de las medias se aproximar a una distribucin normal si se tiene muestras de tamao grande.

La media de la distribucin de medias se aproximara a la media de la poblacin u, para muestras de tamao grande. La desviacin estndar de una distribucin de medias se aproximara a , en muestras de tamao grande en donde es la desviacin estndar de la poblacin

La importancia del Teorema del Lmite central es que nos permite usar estadsticas de muestras para hacer inferencias con respecto a los parmetros de la poblacin, sin conocer la forma distribucin de frecuencia. Ejemplo

La distribucin esta segada de manera positiva tal y como se puede observar en la grafica. Esta distribucin tiene una media de $260 y una D.E. de $45, si se extrae una muestra aleatoria de 36 cuentas. Cul es la probabilidad de que las cuentas por cobrar promedien menos de $250? Recuerda que la distribucin no es normal ya que se encuentra sesgada a la derecha, pero como la muestra es mayor 30 se puede utilizar la distribucin normal para aproximar la distribucin de muestreo por el teorema de lmite central, para ello primero se encuentra el error estndar determinado por la desviacin estndar sobre la raz cuadrada del tamao de la muestra aleatoria = 45/ sqrt(36) =45/6= 7.5 x=250 z=

z=-1.33 En seguida se ubica esta valor en la tabla de puntuaciones z, para ubicar su percentil correspondiente que en esta caso es de 0.4082 = 40.82%. Por lo tanto la probabilidad de la media muestral sea menor que de $250 la obtenemos de la resta de 5.00-0.4082=0.918=9.18%

En conclusin El teorema del lmite central establece que a medida que el tamao de la muestra aumenta la forma de distribucin de muestreo se aproxima a la de una distribucin normal independientemente de la forma de la distribucin de la poblacin de la cual se extrajo la muestra.

Distribucin ji-cuadrada. Uso de tablas. Distribucin de La forma de distribucin de ji cuadrada, igual que la distribucin t de Student, varia con el tamao de la muestra o equivalentemente con los grados de libertad asociados con s 2 Ji-cuadrada es una prueba estadstica para evaluar la hiptesis acerca de la relacin entre dos variables categricas. Se simboliza por x2 La ji cuadrada se calcula a travs de una tabla de contingencia o tabulacin cruzada, de dos dimensiones y cada una representa una variable.

Ejemplos de como se pueden ilustrar las graficas de ji cuadrada

La distribucin x2 juega un papel importante cuando se desea hacer una inferencia con respecto a la variancia de la poblacin basada en una muestra aleatoria Y1,Y2Yn tomada de una poblacin normal. Las funciones de ji cuadrada tienen aplicaciones en las tablas de contingencia, se ve si las frecuencias observadas coinciden matemticamente con las frecuencias esperadas, Se usan una o dos variables tambin se usa en la inferencia de la variancia de una poblacin, puede ser por intervalos de confianza o por prueba de hiptesis. Se utiliza una sola variable. Distribucin T Distribucin t (de Student) es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. Surge, en la mayora de los estudios estadsticos prcticos, cuando la desviacin tpica de una poblacin se desconoce y debe ser estimada a partir de los datos de una muestra. Existen dos versiones de la prueba t-Student: una que supone que las varianzas poblacionales son iguales y otra versin que no asume esto ltimo. Para decidir si se puede suponer o no la igualdad de varianza en las dos poblaciones, se debe realizar previamente la prueba F-Snedecor de comparacin de dos varianzas.

Bibliografa http://es.wikipedia.org/wiki/Distribuci%C3%B3n_t_de_Student http://jacroman.blogspot.mx/2009/12/distribucion-t-student.html http://www.itch.edu.mx/academic/industrial/estadistica1/cap03b.html

WALPOLE R.E., MYERS R.H., MYERS S.L.: "Probabilidad y Estadstica para Ingenieros", Ed. Prentice Hall, 1998, 6 edicin.(Teora) SPIEGEL, MURRAY. 1970. Estadstica, McGraw-Hill, Mxico. MONTGOMERY, Douglas C. y RUNGER, George C. Probabilidad y Estadstica Aplicada a la Ingeniera 2a edicin Mxico Limusa Wiley, 2005