You are on page 1of 18

ESTADÍSTICA I

Distribución Muestral de la Media


Área: Formación Básica
Programa de Coordinación: Ciencias
PLAN DE CLASE

• Motivación
Inicio • Competencias
• Saberes previos

• Distribución Muestral de la Media


Construcción • Valor Esperado
• Error Estándar

• Retroalimentación
Cierre
• Autoevaluación

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 2


COMPETENCIAS

Define y
comprende el
concepto de la
Distribución
Muestral de la
Media

Comprende que
Calcula
Resuelve la estadísticas
probabilidades
ejercicios con muestrales son
respecto a la
MINITAB. variables
media muestral
aleatorias

Resuelve
ejercicios de
aplicación
sobre el tema

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 3


DISTRIBUCIONES MUESTRALES

Se sabe que una estadística es una función t(x1, ..., xn ) de los valores de
las observaciones de una muestra de tamaño n. Además, se sabe que en
una población de N elementos se puede obtener: Nn ó P(N, n) muestras
posibles de tamaño n.
En este sentido, la Distribución Muestral o de Muestreo es la
distribución de probabilidad de la estadística muestral que tiene tantos
valores diferentes como muestras posibles de tamaño n se pueden
obtener.
Para determinar la distribución muestral de una estadística es necesario
conocer:
 La población y el parámetro,
 Todas la muestras posibles y
 Todos los valores posibles

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 4


DISTRIBUCIONES MUESTRALES

Cuando la población es infinita, la distribución muestral se debe considerar


como una distribución muestral teórica, dado que no es posible conocer
todas las muestras posibles.
Cuando la población es finita y de un tamaño moderado, se puede
construir la distribución muestral y se debe considerar como una
distribución muestral experimental.
En este último caso, se puede obtener todas las muestras posibles de
tamaño n, calculando sus respectivas estadísticas, así como sus
probabilidades de ocurrencia.
Cuando estudiamos una distribución muestral es necesario conocer:
 Su forma funcional,
 Su valor esperado y
 Su varianza.

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 5


TEOREMA CENTRAL DEL LIMITE

Al aumentar el tamaño de la muestra, la distribución de las estadísticas


muestrales se aproxima a una distribución normal, sin importar la forma de
la distribución de la población de donde proviene la muestra.

ESTADÍSTICA MUESTRAL
Es una función t(x1, ..., xn ) de los valores observados de la muestra, como
por ejemplo:

x
 xi
n

s2 
 xi2  n ( x ) 2
n 1

p
 xi
siendo :
 1 caso favorable
xi  
n 0 caso contrario

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 6


EJEMPLO 1

Se tiene una población, cuyos elementos son:


{ 10, 11, 12, 13, 14, 15, 16, 17 }

El objetivo es obtener una muestra de tamaño n =2. En ese sentido, se


tiene que:
N=8 Tamaño de la Población
n=2 Tamaño de muestra
 = 13,5 Media de la Población
2 = 5,25 Varianza de la Población

En este caso, como se desea extraer una muestra de tamaño n=2, es


posible obtener:
Nn  82  64 muestras posibles con reemplazo ó
N!
P(N,n)   56 muestras posibles sin reemplazo
(N  n)!

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 7


EJEMPLO 1
Si se usa un muestreo sin reemplazamiento, las 56 muestras posibles
serían tal como se detallan a continuación:
Media Media Media
Muestra Observaciones Muestra Observaciones Muestra Observaciones
Muestral Muestral Muestral
1 10 11 10,5 20 12 16 14.0 39 15 13 14.0
2 10 12 11,0 21 12 17 14.5 40 15 14 14.5
3 10 13 11,5 22 13 10 11.5 41 15 16 15.5
4 10 14 12,0 23 13 11 12.0 42 15 17 16.0
5 10 15 12,5 24 13 12 12.5 43 16 10 13.0
6 10 16 13,0 25 13 14 13.5 44 16 11 13.5
7 10 17 13,5 26 13 15 14.0 45 16 12 14.0
8 11 10 10,5 27 13 16 14.5 46 16 13 14.5
9 11 12 11,5 28 13 17 15.0 47 16 14 15.0
10 11 13 12,0 29 14 10 12.0 48 16 15 15.5
11 11 14 12,5 30 14 11 12.5 49 16 17 16.5
12 11 15 13,0 31 14 12 13.0 50 17 10 13.5
13 11 16 13,5 32 14 13 13.5 51 17 11 14.0
14 11 17 14,0 33 14 15 14.5 52 17 12 14.5
15 12 10 11,0 34 14 16 15.0 53 17 13 15.0
16 12 11 11,5 35 14 17 15.5 54 17 14 15.5
17 12 13 12,5 36 15 10 12.5 55 17 15 16.0
18 12 14 13,0 37 15 11 13.0 56 17 16 16.5
19 12 15 13,5 38 15 12 13.5
Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 8
EJEMPLO 1
La distribución de los valores de la media muestral en las 56 muestras
posibles es la siguiente:

x Frecuencia P x
10,5 2 0,03571
11,0 2 0,03571
11,5 4 0,07143
12,0 4 0,07143
12,5 6 0,10714
13,0 6 0,10714
13,5 8 0,14286
14,0 6 0,10714
14,5 6 0,10714
15,0 4 0,07143
15,5 4 0,07143
16,0 2 0,03571
16,5 2 0,03571
Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 9
EJEMPLO 1

El valor esperado de la media muestral esta dado por:


 x =E( x )   x P( x )  13,5

La varianza de la media muestral esta dado por:

 =V( x )   x P( x )  E( x )  2,25


2 2
2
x

Sabiendo que los parámetros de la población son:


 = 13,5 y 2 = 5,25
La distribución de la media muestral estaría dada:
 2 N  n 
x ~ N  ; 
 n N  1 
 5,25 8  2 
x ~ N  13,5;
 2 8  1 
x ~ N(13,5; 2,25)
Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 10
DISTRIBUCIÓN MUESTRAL DE LA MEDIA

Caso de varianza 2 conocida o n > 30


Si se tiene una población con varianza conocida 2, se puede afirmar que
la Distribución Muestral de la Media esta dada por:

 2 
x N  ; 
 n 
2
E(x)   x   V(x)   2
x
n
x   x  x
z  N(0,1)
 x
n
Error Estándar de
la media muestral

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 11


EJEMPLO 2

El gerente de créditos de un banco afirma que el número de días que


tardan los clientes para pagar sus prestamos se ajusta a una distribución
normal y en promedio tardan 5 días con desviación estándar de 2,15 días.
Si se escogen al azar las cuentas de 40 clientes:
a) ¿Cuál es la probabilidad de observar que, en promedio, se tardan en
pagar a lo más 6 días?
b) ¿Cuál será el número máximo de días que, en promedio, tardan en
pagar con probabilidad 0.90?

Solución

X : Número de días que tardan los clientes para pagar sus prestamos.
X  N( 5; 2,152 )  = 5  = 2,15

 2,152  
n  40 x N  5;   x  5, x   0,340
 40  n
Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 12
EJEMPLO 2

a) ¿Cuál es la probabilidad de observar que, en promedio, se tardan en


pagar a lo más 6 días?

 x 65 

P x  6  P 


0,340

 / n 

 
P x  6  P(Z  2,94)

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 13


EJEMPLO 2

a) ¿Cuál es la probabilidad de observar que, en promedio, se tardan en


pagar a lo más 6 días?

 x 65 

P x  6  P 


0,340

 / n 

 
P x  6  P(Z  2,94)

P  x  6   0,99836

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 15


EJEMPLO 2

b) ¿Cuál será el número máximo de días que, en promedio, tardan en


pagar con probabilidad 0.90?

P(x  A)  0,90
 x A 5 
P    0,90
  / n 0,340 
 A 5 
P Z    0,90
 0,340 

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 16


EJEMPLO 2

b) ¿Cuál será el número máximo de días que, en promedio, tardan en


pagar con probabilidad 0.90?

P(x  A)  0,90
 x A 5 
P    0,90
  / n 0,340 
 A 5 
P Z    0,90
 0,340 

A 5
 1,28
0,340
A  5,4352

Estadística I : Distribuciones Muestrales domingo, 23 de Junio de 2019 18

You might also like