REVISION DE CONCEPTOS

POBLACION es la totalidad de observaciones relacionadas con una

situación particular , puede ser finita o infinita.

Un PARAMETRO es una caracterización numérica de la distribución

de la población de manera que describe, parcial o completamente la
función de densidad de población de la característica de interés.

Una MUESTRA es un subconjunto de la población. Debe ser

representativa y aleatoria.

Una estadística (un estadístico) es cualquier función de las variables

aleatorias que se observaron en la muestra, de manera que esta
función no contiene cantidades desconocidas.
 N

Media X

i
i 1
N

N
Varianza  i
( X   ) 2

muestral
 2
 i 1
N
Ejemplos de
PARAMETROS x

 i
( X   ) 2


Desviacion
i 1
Standard
N
X numerodesucesos
PROPORCION p 
n tamañodelaPOBLACION
 n
Media X i
X i 1
n
n
Varianza  i
( X  X ) 2

muestral
S2  i 1
n 1
Ejemplos de
ESTADISTICOS

n
Desviacion  i
( X  X ) 2

Standard
S i 1
n 1

X numerodesucesos
PROPORCION MUESTRAL
ps  
n tamañodelamuestra
 DISTRIBUCION DE MUESTREO DE UNA ESTADISTICA

La distribución de muestreo de una estadística es la distribución de

probabilidad que puede obtenerse como resultado de un número infinito
de muestras aleatorias independientes, cada una de tamaño n
provenientes de la población de interés.

Es decir es la distribución de probabilidad de un estadístico.

La distribución de probabilidad de X se llama distribución muestral de la

media.
2
La distribución de probabilidad de S se llama distribución muestral de la
varianza.

La distribución de probabilidad de p se llama distribución de muestral de

la proporción.
Se utiliza para hacer inferencias sobre la media de la población

Es el resultado de un experimento que se lleva a cabo una y otra vez

para muestras del mismo tamaño, de las cuales se obtienen los
diversos valores de la media muestral.

Esta distribución describe la variabilidad de los promedios muestrales

alrededor de la media de la población
 Muestras Mediciones Xi
1 X 11, X 21, X 31.......X n1 X1
2 X 12 , X 22 , X 32 .......X n 2 X2
Muestras 3 X 13 , X 23 , X 33....... X n3 X3
n

X
tomadas a . . .
partir de i
. . .
una
distribucion C X i 1

normal . .
A
.
n
L
Con media . . .

C
. . U .
L
. . .
Y varianza O
. . .
S m

X
2
. . .
m X 1m , X 2 m , X 3m ....... X nm Xm i
TOTALES m

X
X  i 1

i 1 i m
Sea X 1 , X 2 , X 3 ............ X n
una muestra aleatoria de tamaño “n” de una población con función de
densidad f(x) con media  y varianza  2 de una población normal

La media muestral representada por X , es la media aritmética de los

elementos de la muestra, y su varianza muestral y desviación standard están
dadas por:

X n

 i 
i 2
( X X )
X i 1
n Varianza S2  i 1

muestral n 1

Desviacion  i
( X  X ) 2

Standard S i 1
n 1
Propiedades de la Media Aritmética
•Imparcialidad
•Eficiencia
•Consistencia

La imparcialidad se refiere al hecho de que el promedio de todas

las medias de muestra posibles de un tamaño n será igual a la
media de la población
 Muestras Mediciones Xi
1 X 11, X 21, X 31.......X n1 X1
2 X 12 , X 22 , X 32 .......X n 2 X2
3 X 13 , X 23 , X 33....... X n3 X3 imparcialidad
Muestras
tomadas a . . . m

X
partir de
. . .
una i
C

X 
distribucion . . . i 1
A
normal . . .
Con media . .
L
.
m

C
U
. . .
L
Y varianza . . O
.
. . S .
2 m Xm
m
TOTALES X 1m , X 2 m , X 3m ....... X nm
X
i 1 i
La eficiencia se refiere a la precisión de la muestra de
estadística como un estimador del parámetro de población
Para distribuciones como la normal, la Media Aritmética se
considera más estable de muestra a muestra que otras
mediciones de tendencia central
Para una muestra de tamaño n la media de la muestra se
acercará más en promedio a la media de la población que
cualquier otro estimador imparcial
Por lo tanto la media de la muestra es una mejor estimación de
la media de la población

La consistencia se refiere al efecto del tamaño de muestra sobre la

utilidad de un estimador
Al incrementarse el tamaño de muestra, la variación de la media de
muestra de la media de la población se hace más pequeña, de
manera que la media de la muestra se vuelve una mejor estimación
de la media de la población
 MUESTREO DE
POBLACIONES NORMALES
 Muestras Mediciones Xi S i2 Si
1 X 11, X 21, X 31.......X n1 X1 S12 S1
2 X 12 , X 22 , X 32 .......X n 2 X2 S 22 S2

Muestras 3 X 13 , X 23 , X 33....... X n3 X3 S 32 S3
tomadas a . . . .
partir de
. . . .
una
C
distribucion . . . .
A
normal . . . .
L
Con media . . . .

C
U
. . . .
L
Y varianza . . O
. .
. . S . .
2 m Xm S m2 Sm
m m m
TOTALES X 1m , X 2 m , X 3m ....... X nm
X S S i
2
i
i 1 i i 1 i 1
 

Si se toman muestras de una población normal con media y una
desviación estándar conocida la distribución de muestreo de la media
también tendrá una distribución normal con media  y una desviación
estándar denominada Error Estándar de la Media  x

E( X )  x  

Cada observación X 1 , X 2 , X 3 ............ X n

en cada una de las muestras aleatorias tiene V (X )    2
2
x n
entonces la misma distribución normal que
la población de la que se muestrea.

 
x
n
Error estándar de la media
 x
En este caso el valor de la
z
x
variable z estándar se
calcula por:

x
z

n
 Muestreo de poblaciones no normales
Teorema del Límite Central
Al hacerse lo bastante grande el tamaño de una muestra la distribución
de muestreo de la media puede aproximarse mediante la distribución
normal
Esto es cierto no importando la forma de la distribución de los valores
individuales de la población

Para la mayoría de las distribuciones de población, sin importar la forma,

la distribución de muestreo de la media tendrá una distribución
aproximadamente normal si se seleccionan muestras de al menos 30
observaciones
Si la distribución de población es lo bastante simétrica, la distribución de
muestreo de la media será aproximadamente normal si se seleccionan
muestras de al menos 15 observaciones
Si la población se distribuye normalmente, la distribución de muestreo de
la media se distribuirá normalmente sin importar el tamaño de la muestra
 CUANTITATIVAMENTE EL TEOREMA DEL LIMITE CENTRAL SE
DESCRIBE POR:


Si es la media de una muestra aleatoria de tamaño n tomada de una
población con media 
y varianza 2, entonces la forma limite de la
distribucion de

 2  Conforme n  es la
X  N   ,  distribucion normal estándar
 n  n(z;0,1)

y La aproximación es buena si

z
X 

X 

n  30
x Si n es menor de 30 la
n aproximación será buena solo
si se sabe que la población
tiene una distribución normal
Suponga que a cada uno de los mecanógrafos que
comprenden una población de servicio de apoyo
secretarial de un departamento particular de una compañía
se le pidiera mecanografiar la misma página de un
manuscrito. El número de errores cometidos por cada
mecanógrafo fue el siguiente:

Número de
Mecanógrafo Errores Frecuencia
A 3 1
B 2 1
C 1 1
D 4 1
CALCULO DEL NUMERO PROMEDIO DE ERRORES Y SU VARIABILIDAD

  3  2 4 1  4  2.5errores

N
2 2
 (3  2.5)  ........  ( 4  2.5)
 
2 i 1
 1.2544
4
 1.2544  1.12
 La distribución de población se muestra en el siguiente grafico:

Número de Errores cometidos por una población de cuatro mecanógrafos

1.2

0.8
Mecanógrafos

0.6 Serie1

0.4

0.2

0
1 2 3 4
Núm ero de errores
 Resultados Media
Muestra Mecanógrafos de muestra Muestral
Si se toman muestras de 1 A,A 3,3 3
tamaño DOS con 2 A,B 3,2 2.5
reemplazo se tienen los
siguientes resultados, 3 A,C 3,1 2
mostrados en la tabla: 4 A,D 3,4 3.5
5 B,A 2,3 2.5
6 B.B 2,2 2
7 B,C 2,1 1.5
8 B.D 2,4 3
9 C,A 1,3 2
10 C,B 1,2 1.5
11 C,C 1,1 1
12 C,D 1,4 2.5
13 D,A 4,3 3.5
14 D,B 4,2 3
La media de las 15 D,C 4,1 2.5
muestras es: 16 D,D 4,4 4

 
3  2.5  2.....  4
16
X
 2.5errores
Si se toma una muestra de
tamaño DOS sin reemplazo se
tienen los siguientes Sin reemplazo
resultados, mostrados en la
tabla
Resultados Media
Muestra Mecanógrafos de muestra Muestral

1 A,B 3,2 2.5

2 A,C 3,1 2

3 A,D 3,4 3.5

4 B,C 2,1 1.5

5 B.D 2,4 3

6 C,D 1,4 2.5

 
2.5  2.....  2.5
6
X
 2.5errores
 Que se concluye al comparar los dos
resultados anteriores?

En ambos el valor de la media es igual, por lo

tanto se concluye que la Media Aritmética de
muestra es un estimador imparcial de la media
de la Población

Cálculo del Error Estándar de la Media

 x
n

1.12
2
 Si se extraen al azar muestras independientes de tamaño n1 y n2
de dos poblaciones discretas o continuas, con medias 1 y  2

CASO 1  2
y varianzas 1 y 2
2
respectivamente conocidas, entonces la
Suma de las distribución muestral de las diferencia de medias X1  X 2
muestras
no excede a 30 esta distribuida aproximadamente de forma normal con media y
varianza dada por:

 X1  X 2  1   2 ( X 1  X 2 )  ( 1   2 )
DONDE z
y  12   22
  2

 1  2
2
n1 n2
X1  X 2
n1 n2 Es aproximadamente una variable normal estándar
 Si se extraen al azar muestras independientes de tamaño n1 y n2
de dos poblaciones discretas o continuas, con medias 1 y  2
CASO 2
y 
varianzas 1
2
y 2 2 respectivamente desconocidas,
Suma de las
entonces la distribución muestral de las diferencia de medias
muestras
excede a 30 X1  X 2
esta distribuida aproximadamente de forma normal con media y
varianza dada por:
( X 1  X 2 )  ( 1   2 )
  1  2
z
X1  X 2 DONDE s12  S 22
n1 n2

S x1  x2 
s12  S 22
Es aproximadamente una variable normal estándar
n1 n2
 Si se extraen al azar muestras independientes de tamaño n1 y n2
(cuya suma no excede a 30) de dos poblaciones discretas o
continuas, con medias 1 y  2

CASO 3 y varianzas  2 y
1
 2 respectivamente desconocidas,
2

entonces la distribución muestral de las diferencias de las

  X1  X 2
medias
2
1   2
2
esta distribuida con media y varianza dada por:
( X 1  X 2 )  ( 1   2 )
DONDE t 


1 1

X1  X 2
 1  2 Sp
n1 n2

(n1  1) S  (n2  1)S

2 2 (n1  1) S12  (n2  1) S 22
S x1  x2  1 2 1 1
 Sp 
n1  n2 n1 n2 n1  n2
 Si se extraen al azar muestras independientes de tamaño n1 y n2
(cuya suma no excede a 30) de dos poblaciones discretas o
continuas, con medias 1 y  2

y varianzas  12 y 2 2 respectivamente desconocidas,

CASO 4 entonces la distribución muestral de las diferencias de medias
X1  X 2
esta distribuida con media y varianza dada por:
 12   22 ( X 1  X 2 )  ( 1   2 )
t* 
 X1  X 2
 1  2 DONDE
S12 S 22

n1 n2

 
2
s12 s22
n1  n2
s2
S 2
v
S x1  x2  1
 2 ( s12 n )2 ( s22 n )2 
n1 n2 con  n1 11  n 2 12 
 
Si n1 y n2 son mayores o iguales a 30 la aproximación normal
para la diferencia de medias es muy buena cuando las
distribuciones originales están cerca de la normal

Si n1 y n2 son menores a 30 la aproximación normal para la

diferencia de medias es muy buena cuando las distribuciones
originales están cerca de la normal

Si n1 y n2 son menores a 30 la aproximación normal para la

diferencia de medias NO es muy buena si las distribuciones
originales no son normales
 Distribución de Muestreo de la Proporción
Se utiliza para variables categóricas
Cada sujeto u objeto se clasifica como poseedor o no de una característica
particular (masculino o femenino, satisfecho o no con su trabajo,)
A los dos resultados posibles se les puede asignar resultados de 1 y
0(cero) para representar la presencia o ausencia de la característica
En este caso la media muestral es la proporción de muestra ps, que tiene
la característica de interés, se define como:

X numerodesucesos
ps  
n tamañodelamuestra
0  ps  1
Donde

ps Es un estimador de la proporción de población p

ANALOGIA

La media de la muestra es un estimador de la media de la

población
La estadística ps es un estimador de la proporción de la
población

La distribución de muestreo de la proporción en realidad sigue la

distribución BINOMIAL, sin embargo cuando np y n(1-p) son
cada uno al menos 5 se puede utilizar la distribución normal para
aproximar la distribución binomial.
En los casos de inferencias relacionadas con la proporción el
tamaño de muestra es lo bastante sustancial para usar la
aproximación normal
 PROPORCION NUMERO DE
DE EXITOS EXITOS

ps  p
Z
p(1  p)
X  np
n Z
X np(1  p)
ps 
n
 Error estándar de la Proporción

 ps 
p(1  p)
n
Nota importante: esta distribución sigue la distribución binomial, sin
embargo la distribución binomial puede usarse para aproximar la
distribución binomial cuando np y n(1-p) son cada uno al menos 5. En
ese caso se calcularía el valor de z por:

z 
ps  p
p (1  p )
Donde p es la proporción de la
población n
 Ejemplo
El gerente de la sucursal local de un banco de ahorro ha determinado que
40% todos los depositantes tienen cuentas múltiples en el banco. Si se
selecciona aleatoriamente una muestra de 200 depositantes, cual es la
probabilidad de que la proporción muestra de depositantes con cuentas
múltiples esté entre 0.40 y 0.43 0.40  0.4
np  200 * 0.4  80 z1 
0.4 * 0.6
n(1  0.4)  200 * 0.6  120
200
z1  0
0.43  0.4
Distribución de muestreo de z2 
la proporción se puede 0.4 * 0.6
suponer normalmente
distribuida 200
z 2  0.87
P (0  z  0.87)  0.3078
 Muestreo de Poblaciones Finitas
El TLC y los errores estándar de la media y la proporción se han
basado en la premisa de que las muestras seleccionadas se eligieron
con reemplazo.

E casi toda investigación de encuesta, el muestreo es conducido sin

reemplazo de poblaciones que son de un tamaño finito N.
En estos casos cuando el tamaño de n no es pequeño comparado con
el tamaño de población N (se muestrea mas del 5% de la población),
de manera que n/N>0.05 debe usarse un factor de corrección de
población finita en la fórmula de la media como del error estándar de la
proporción

N n
N es tamaño de la población
pcf 
n es tamaño de la muestra
N 1
 Muestreo de Poblaciones Finitas


  n x N n
x
N 1

 ps 
p (1  p)
n
N n
N 1
 MUESTREO A PARTIR DE UNA DISTRIBUCION DE BERNOULLI

La variable aleatoria X con fdp

p
P( X )  
X=1

(1  p) X=0
Se llama variable aleatoria de Bernoulli
Si se toma una muestra aleatoria de n observaciones, entonces la
suma de de las observaciones muestrales

X  X 1  X 2  ............ X n
Tiene una distribucion binomial con parametros n y p
n

Su media muestral es X i
X i 1
n
Es posible obtener la distribucion de X a partir de la distribucion binomial

a
P( X  a )    p k (1  p) n  k
n
k
i 0

X  p

 X
2

p(1  p )
n
 MUESTREO A PARTIR DE UNA DISTRIBUCION DE POISSON

Si se toma una muestra aleatoria de n observaciones, DE UAN

DISTRIBUCION DE Posiisn con parametro
las observaciones muestrales
 entonces la suma de de

X  X 1  X 2  ............ X n

Tiene una distribucion poisson con parametro n

La media de cada muestral es X i

X i 1
n
 n
e (n )
PX  a   P( X  an)  
an x

k 0 x!

X  

 2
x

  x 

n
n