You are on page 1of 9

DISTRIBUCION MUESTRAL DE MEDIAS

Si se extrae una muestra al azar de tamaño n, de una población infinita con media µ y una varianza σ2, entonces las observaciones de la muestra son variables aleatorias independientes e idénticamente distribuidas. La media de la muestra, calculada como
1 x = ( x1 + x2 + • • • + xn ) n Que es una combinación lineal de variables aleatorias dividida por una constante, que También es una variable aleatoria normal, y el valor esperado y la varianza de la distribución por muestreo de x puede derivarse sencillamente. Primero, observamos que 1  E ( x ) = E  ( x1 + x2 + • • • xn ) n  1 [ E ( x1 ) + E ( x2 ) + • • • + E ( xn )] = n 1 (nµ ) = µ = n

Es decir, esperanza de la media de la muestra es la media de la población. Luego, puesto que se considera que las observaciones de la muestra son variables aleatorias independientes, la propiedad de aditividad se verifica para la varianza. Es decir, la varianza de la suma es la suma de las varianzas. Además, puesto que V ( xi ) = σ 2 tenemos
V (x ) = V ( 1 n

∑x )
i

1 [V ( x1 ) + V ( x2 ) + • • • V ( xn )] 2 = n

1 ( nσ 2 ) 2 = n

como en los casos anteriores. Por lo tanto podemos decir que la µx De esta manera la ecuación para la transformación de cualquier media muestral en una variable normal estándar será: . tanto menor es la fluctuación entre medias muestrales extraídas de la misma población. mide la variabilidad entre medias muestrales. indica que cuando n → ∞ . ¿Qué ocurre cuando no puede especificarse la distribución de probabilidad de la población a partir de la cual se obtiene la muestra? Para obtener una idea con respecto a la distribución de muestreo de X cuando el modelo de probabilidad de la población de interés no se especifica. σ x = V (x ) = σ n lo que revela que σ x es menor que σ . cuanto mayor es la muestra. Pasar al teorema del limite central. Si se toman muestras de una población finita. σ x → 0 . Así. por pequeña que sea la muestra. A saber: σx = σ n N −n N −1 Cuando la población progenitora es normal. El error estándar de la media. sin reposición. debe de introducirse un factor de corrección para población finitas para calcular el error estándar de la media.σ2 = n En esta derivación hemos empleado el teorema de que la varianza de una constante multiplicado por una variable es igual al cuadrado de la constante multiplicado por la varianza de la variable. Además. la distribución de x por muestreo es también normal.

de manera que la media aritmética de muestra se vuelve una mejor estimación de la media de población.mx/academico/CB/MEG/documentos/1. a la media de población que cualquier otro estimador. la media aritmética se considera más estable de muestra a muestra que otras mediciones de tendencia central. Eficiente Se refiere a la precisión de la muestra de estadística como un estimador del parámetro de población. http://www. Para una muestra de tamaño n.Propiedades de la Media aritmética Entre varias propiedades matemáticas importantes de la media aritmética para una distribución normal están: Insesgamiento Implica el hecho de que el promedio de todas las medias muestrales posibles (de un tamaño de muestra dado n) será igual a la media de población µ x .htm . Al incrementarse el tamaño de muestra. Consistencia Se refiere al efecto del tamaño de muestra sobre la utilidad de un estimador. la variación de la media de muestra de la media de población se hace más pequeña. Para distribuciones como la normal.edu.itchihuahuaii. la media de muestra se acercará más. en promedio.6.

2 Solución: 1. entonces la media muestral tiene una distribución normal sin importar el tamaño de la muestra. se toman muestras de tamaño 2 con remplazo.2 4 1 1/5 = .TEOREMA DEL LIMITE CENTRAL Si se obtiene una muestra de una población normal.2 2 1 1/5 = . mientras la media y la varianza existan. Sin embargo. X Frecuencia Frecuencia Relativa 0 1 1/5 = . 4. En muchos casos.83 1. se puede demostrar que de hecho no importa el modelo de probabilidad del cual se obtenga la muestra. Paso . 6 y 8. µ= ∑X i n N 0 + 2 + 4 + 6 + 8 20 = =4 5 5 µ = ( X − µ )2 σ =∑ N i 2 n σ2 = ( 0 − 4 ) 2 + ( 2 − 4 ) 2 + ( 4 − 4 ) 2 + ( 6 − 4 ) 2 + ( 8 − 4 ) 2 40 = =8 5 5 σ = 8 = 2. puede concluirse en forma segura que la aproximación será buena mientras n > 30. la distribución de muestreo de X se aproximará a una distribución normal conforme n aumente.2 8 1 1/5 = . Lo anterior constituye uno de los más importantes teoremas en inferencia estadística y se conoce como TEOREMA DEL LIMITE CENTRAL. Paso Se calcula la media poblacional. 2.2 6 1 1/5 = . la varianza y desviación estándar poblacional. Para mostrar la validez del teorema del limite central veamos el siguiente ejemplo Suponga que de una población consistente en los valores 0.

205 Frecuencia Relativa 0. 2 2. 4 6. 8 6. 0 4. 4 0. 0 6. 0 2. 4 4.195 0 1 2 3 X 4 5 6 7 8 Esta gráfica no puede considerarse acampanada o normal. 2 0. 8 X 0 1 2 3 4 1 2 3 4 5 Muestra 4. 2. 6 4.Gráfica de la distribución de frecuencia para la población Gráfica de la Población 0. 4 8. 6 8. 4 2. 8 X 4 5 6 7 8 . 6 6. 2 8.200 0. 8 2. Paso Se toman muestras de tamaño dos con remplazo. 6 2. 6 0. 2 4. Muestra 0. 8 X 2 3 4 5 6 3 4 5 6 7 Muestra 8. 0 8. 2 6. 0 0.

..... la varianza de la medias y desviación estándar de las medias ó error estándar de las medias.3.. µx = ∑ i N f (X ) N µx = 2 σx 1(0) + 2 (1) + 3 ( 2 ) + 4 ( 3 ) + 5 ( 4) + 4 ( 5 ) + 3 ( 6 ) + 2 ( 7 ) +1( 8 ) 100 = =4 25 25 N f ( X − µ x )2 =∑ N i 1(0 − 4 ) 2 + 2 (1 − 4 ) 2 + . Paso Se agrupa a las medias muéstrales en la tabla de frecuencia siguiente: X 0 1 2 3 4 5 6 7 8 F 1 2 3 4 5 4 3 2 1 4.... Paso Se calcula la media poblacional de medias ..1( 8 − 4 ) 2 100 = =4 25 25 2 σx = σx = 4 = 2 ..

edu.5.itchihuahuaii. Paso Gráfica de la distribución de frecuencia para la población de medias maestrales Gráfica de la Población 5 Frecuencias 4 3 2 1 0 1 2 3 4 5 6 7 8 Medias muestrales 6.4. Paso Conclusión De la apariencia acampanada de la distribución de las medias. una vez que se conoce la media y la desviación estándar de la distribución muestral. 6. http://www.mx/academico/CB/MEG/documentos/1.htm . concluimos que es razonable aproximar la distribución muestral de x por una distribución normal.

a. Compare el ancho de este intervalo de confianza con el ancho encontrado en el inciso a). b. La resistencia esta distribuida aproximadamente de manera normal. en horas. con una confianza del 95%. Un ingeniero civil analiza la resistencia a la comprensión del concreto. Construya un intervalo de confianza bilateral del 95% para la duración promedio. Se sabe que la duración. Se encuentra que la concentración promedio de zinc que se saca del agua a partir de un muestra de mediciones de zinc en 36 sitios diferentes es de 2. y que tiene una desviación estándar = 0.3. Construya un limite inferior de confianza del 95% para el diámetro promedio del anillo. Se sabe que el diámetro del anillo esta distribuido aproximadamente de manera normal. 2. 5. Se toma una muestra aleatoria de 20 focos. Construya un intervalo de confianza bilateral del 99% para la resistencia a la compresión promedio. supóngase que se desea que el ancho total del intervalo de confianza bilateral sea de seis horas. 3.001 mm. se tiene que x = 3250 psi. a.8 minutos: Usar los datos para construir un intervalo de confianza de 98% de tiempo promedio verdadero necesario para montar la maquina. En el ejercicio 2. 40 trabajadores hicieron un promedio de 42. Suponga que la desviación estándar de la población es 0. . 4. de un foco de 75 watts tiene una distribución aproximadamente normal. Encuentre los intervalos de confianza de 95% y 99% para la concentración media de zinc en el río. ¿Que tamaño de muestra debe emplearse para este fin? 6. Un fabricante produce anillos para los pistones de un motor de automóvil. Construya un intervalo de confianza bilateral del 95% para la resistencia a la compresión promedio. Construya un intervalo de confianza bilateral del 99% para el diámetro promedio del anillo.5 minutos con una desviación típica de 3. Al tomar una muestra aleatoria de 12 especimenes. b. con una varianza = 1000(psi)2. con una desviación estándar de = 25 horas.036 mm.PROBLEMAS PROPUESTOS DE ESTIMACION PARA LA MEDIA CON VARIANZA POBLACIONAL CONOCIDA Consulte: Distribución muestral de medias y Teorema del límite central 1.6 gramos por mililitro. Una muestra aleatoria de 15 anillos tiene un diámetro promedio de x = 74. a. la cual resulta tener una duración promedio de x = 1014 horas. En un estudio hecho para determinar el tiempo medio necesario para el montaje de cierta pieza de una maquina.

con respecto a la posible magnitud de error. ESTIMACIONES PARA UNA MEDIA. En un experimento de laboratorio 50 estudiantes de ingeniería midieron por separado el calor especifico del aluminio. se reunieron datos de una muestra de 49 clientes durante un periodo de tres semanas. con una probabilidad de 0. si la media de la muestra se utiliza para estimar el verdadero valor especifico del aluminio? 8. . Calcule e interprete un intervalo de confianza del 95% para el verdadero recorrido promedio anual.2210 calarías por grados centígrado y por gramo y una desviación normal de .7. Una muestra aleatoria simple de 50 artículos originó una media de muestra de 32 y una desviación estándar muestral de 6. México 2008. Instituto Tecnológico de Chihuahua.60 dólares. Una muestra aleatoria de 100 propietarios de automóvil en la ciudad de Bogotá indica que los automóviles recorren anualmente en promedio 25 000 kilómetros con una desviación estándar de 4000 kilómetros. pp.0240 ¿Qué podemos asegurar. 9. obteniendo una medio de 0.95. 9. ¿ Cuál es el intervalo de confianza de 95% para la media de la población? 10. Para tratar de estimar la media de consumo por cliente. Si la media de la muestra es de $ 22. Determine un intervalo de confianza de 90% para la media de la población. en un gran restaurante.