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
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
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
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
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
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
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:
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
2 A,C 3,1 2
5 B.D 2,4 3
2.5 2..... 2.5
6
X
2.5errores
Que se concluye al comparar los dos
resultados anteriores?
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
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
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
X numerodesucesos
ps
n tamañodelamuestra
0 ps 1
Donde
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.
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
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
X X 1 X 2 ............ X n
k 0 x!
X
2
x
x
n
n