You are on page 1of 32

UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma



Pgina 1 de 32

Captulo 3
DISTRIBUCIONES MUESTRALES


3.1 Poblacin y Muestra Aleatoria
3.1.1 Poblacin
3.1.2 Muestra Aleatoria

3.2 Parmetros y Estadsticos o Estadgrafos
3.2.1 Parmetros
3.2.2 Estadsticos o Estadgrafos
- Media Muestral
- Varianza Muestral
- Desviacin Estndar
- Mnimo y Mximo Muestral
- Rango

3.3 Distribucin de Medias Muestrales con Varianza Conocida
3.3.1 Introduccin
3.3.2 Esperanza y Varianza de la Media Muestral
3.3.3 Teorema Central del Lmite. Ejemplos
3.3.4 Distribucin Muestral de la Suma o Diferencia de dos
Medias, Estadsticamente Independientes con
Varianzas Conocidas.
3.3.5 Problemas

3.4 Varianza Muestral
3.4.1 Distribucin Chi Cuadrado
- Introduccin
- Definicin
- Notacin
- Teorema de la adicin para la distribucin Chi-Cuadrado
- Grados de libertad
- Observaciones
- Uso de la tabla de distribucin Chi-Cuadrado y de su inversa. Ejemplos.
3.4.2 Distribucin de la Varianza Muestral
- Introduccin
- Teorema. Ejemplo

3.5 Media Muestal y Varianza Desconocida
3.5.1 Distribucin t de Student
- Introduccin
- Definicin
- Uso de la tabla de la distribucin y de su inversa. Ejemplos
3.5.2 Distribucin de la Media Muestral con Varianza
Desconocida

3.6 Mnimo y Mximo Muestrales
3.6.1 Teorema 1
3.6.2 Teorema 2




UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 2 de 32

3.1 Poblacin y Muestra Aleatoria

3.1.1 Poblacin.
Es el conjunto con referencia al cual se desea hacer alguna investigacin determinada.
El nmero de elementos que forman la poblacin y que indicaremos con la letra N, se
llama tamao de la poblacin. Recordemos que la poblacin puede ser finita o infinita.
Si el nmero de elementos de una poblacin es elevado se la considera para el
tratamiento estadstico, en algunos casos como infinita.

3.1.2 Muestra aleatoria.
El requisito fundamental de una buena muestra es que sea representativa de la
poblacin que trata de describir. La palabra representativa es la clave de esta idea.
El objetivo de los tcnicos de muestreo es que cada elemento de la poblacin tenga una
oportunidad igual e independiente de ser incluido en la muestra. Estos procesos de
muestreo conducen a una muestra aleatoria.
Veamos aqu una definicin precisa de muestra aleatoria.







3.2 Parmetros y Estadsticos o Estadgrafos

3.2.1 Parmetros

Definicin Un parmetro es una caracterizacin numrica de la distribucin de la
poblacin de manera que describe, parcial o completamente, la funcin de densidad
de probabilidad de la caracterstica de inters.
Definicin. Sea X una variable aleatoria con funcin de
distribucin de probabilidad f(x).
Sean X
1
, X
2
,, X
n
n variables aleatorias tales que:
1. Son independientes entre si.
2. Todas ellas estn idnticamente distribuidas y tienen la
misma funcin de distribucin de probabilidad que X,
f(x).
Decimos entonces que (X
1
, X
2
,, X
n
) es una muestra aleatoria
de la variable aleatoria X.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 3 de 32
Ejemplo. Cuando se especifica el parmetro de una distribucin exponencial se describe
de manera completa la funcin de densidad de probabilidad como:

>

=
contrario caso en 0
0 x si
/
) ; (

x
e
x f
Una vez que se conoce el parmetro , puede formularse cualquier proposicin
probabilstica de inters. Por ejemplo:
Si = 2 entonces P(X > 4)=
x/2
4
e dx =0,1053

}


Observacin. El o los parmetros inherentes a un modelo de probabilidad, son
desconocidos y por tanto es imposible calcular las probabilidades deseadas.
Por esta razn los parmetros se estiman en base a los llamados estadsticos o
estadgrafos que, a su vez, se obtienen a partir de la informacin contenida en una
muestra aleatoria.
Antes de dar la definicin de estadstico, debe notarse que un parmetro es una
constante fija cuyo valor se desconoce.

3.2.2 Estadsticos o Estadgrafos

Definicin. Sea (X
1
, X
2
,, X
n
) una muestra aleatoria de una variable aleatoria
X. Cualquier funcin real Y =H(X
1
, X
2
,, X
n
) de las observaciones de la muestra se
llama estadstico o estadgrafo.

Algunos estadsticos importantes

Sea (X
1
, X
2
,, X
n
) una muestra aleatoria de la v.a. X. Definiremos algunos estadsticos
importantes.

- Media Muestral
n
i
i=1
1
X= X
n

Es estadstico X toma el valor
1
1
n
i
i
x x
n
=
=

cuando:

X
1
=x
1
, X
2
=x
2
,, X
n
=x
n

En la prctica el trmino media muestral se aplica tanto al estadstico
X como a su valor calculado x .
- Varianza Muestral
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 4 de 32
2 2
1
1
( )
1
n
i
i
S X X
n
=
=




La razn para dividir por n-1 es que de esta forma, como veremos ms adelante (cuando
se estudien los procedimientos de estimacin), la medida de variabilidad resultante es el
mejor estimador de la varianza poblacional (desconocida).

- Desviacin Estndar

2
1
1
( )
1
n
i
i
S X X
n
=
=




Observar que la varianza muestral S
2
se mide en trmino del cuadrado de las unidades
originales de las mediciones.
As, si la varianza muestral se expresa en kilogramos al cuadrado para datos originales
en kilogramos, al extraer la raz cuadrada positiva de S
2
, obtenemos la desviacin
estndar muestral, que regresa la medida de variabilidad a las unidades originales de las
mediciones.
- Mnimo Muestral
( )
1 2
( , ,..., )
m
n
X mn X X X =
- Mximo Muestral
( )
1 2
( , ,..., )
M
n
X mx X X X =
- Rango Muestral
( ) ( ) M m
R X X =

3.3 Distribucin Muestral de Estadsticos

3.3.1 Introduccin
Usaremos los estadsticos para estimar los parmetros de una distribucin. Dado que un
estadstico es una variable aleatoria por ser una funcin de n variables aleatorias, tiene
sentido hallar su distribucin.
Como ya sabemos uno de los principales objetivos de la Estadstica es el aprendizaje a
partir de las observaciones. La Estadstica proporciona el mtodo para poder conocer
como es el fenmeno real que ha generado los datos observados y que generar los
futuros.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 5 de 32
Supongamos por ejemplo que queremos saber cmo son los artculos fabricados
mediante un determinado proceso. Para ello tendremos en cuenta un conjunto de
variables medibles que sean representativas de las caractersticas de dicho artculo, por
ejemplo la longitud de alguna de sus dimensiones.
La longitud de los posibles artculos fabricados ser una variable aleatoria, dado que
todo proceso productivo siempre tiene variabilidad, ya sea grande o pequea.
Las longitudes de los distintos artculos sern, en general, distintas.
Llamaremos X =longitud de un artculo genrico.
X es una variable aleatoria cuya distribucin desconocemos.
Para poder conocer algo sobre la distribucin de X tomaremos una muestra aleatoria
simple de los artculos, y a partir de ella haremos un ejercicio de induccin, para
extrapolar las caractersticas de la muestra a toda la poblacin.
En Estadstica, este ejercicio de induccin por el cual a partir de la muestra intentamos
predecir o pronosticar cmo ser el resto de la poblacin que no se ha observado se
llama Inferencia estadstica.
Supongamos que tenemos una muestra de n =100 artculos y hemos medido sus
longitudes. Supongamos tambin que calculamos un conjunto de medidas
caractersticas de dicha muestra: la media, la varianza, etc.

Los valores de la media muestral, la varianza muestra, etc. calculados a partir de los
datos de la muestra, coinciden con la media poblacional, la varianza poblacional, etc.
es decir con los parmetros que caracterizan la distribucin?

Para que coincidan necesitamos los datos necesarios (en este caso longitudes) de
TODOS los elementos de la poblacin. Por tanto no tienen que coincidir.

Conclusin 1. Los valores de las medidas caractersticas que se obtienen de una
muestra sern slo una aproximacin de los valores de las medidas
caractersticas de la poblacin.

Nos preguntamos ahora: los valores de la media muestral, la varianza muestral, etc.
dependen de la muestra aleatoria utilizada?
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 6 de 32
Efectivamente los valores obtenidos dependern de la muestra. Ser mucha casualidad
que dos muestras distintas nos den exactamente la misma media muestral, la misma
varianza muestral, etc. La medidas obtenidas sern ms o menos similares, porque las
muestras provienen de la misma poblacin, pero no tienen porqu coincidir.

Conclusin 2. Los valores obtenidos de las medidas caractersticas que se
obtienen dependern de la muestra utilizada. Muestras diferentes darn valores
diferentes.

Conclusin 3. De acuerdo a la conclusin 2 un estadstico tomar un valor
diferente para cada muestra, diremos que obtenemos una realizacin diferente
del estadstico.

Siempre que estimemos un parmetro poblacional nos haremos preguntas tales como:
1. Qu calidad tiene la estimacin obtenida?
2. Cul es la magnitud de la diferencia entre el parmetro poblacional y el
estadstico muestral?
3. Con que muestra, por ejemplo, de dos utilizadas se obtiene un mejor estimador
del parmetro poblacional?
4. Cmo es la distribucin de un estadstico particular?

3.3.2 Esperanza y Varianza de la Media Muestral

Supongamos que (X
1
, X
2,,
X
n
) es una muestra aleatoria de la v.a. X. La media muestral
de esas n observaciones ser:
1 2
...
n
X X X
X
n
+ + +
=
Queremos saber cual es la distribucin de X , dado que se trata de una variable aleatoria
y podemos hallar su distribucin.
1. Calcularemos primero la esperanza matemtica de X . Si llamamos E(X) =
tendremos que E(X
i
) =, i =1, 2,, n; dado que cada X
i
(i =1, 2,, n) es una
v.a. idntica a X (por definicin de muestra aleatoria). Entonces:
1 2 1 2
... ( ) ( ) ... ( )
( ) ( )
n n
X X X E X E X E X n
E X E
n n n


+ + + + + +
= = = =
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 7 de 32
2. Calcularemos ahora la varianza de X para ver la dispersin de los distintos
valores de medias muestrales, alrededor de . Llamaremos
2
( ) Var X = por
tanto Var (X
i
) =
2
, i=1, 2,, n. Entonces:
1 2
2 2
1 2
2 2
...
( )
( ) ( ) ... ( )
( )
n
n
X X X
Var X Var
n
Var X Var X Var X n
n n n

+ + +
= =
+ + +
= = =

(usando propiedades de la varianza y definicin de muestra aleatoria).
3.3.3 Teorema Central del Lmite. Distribucin de la Media Muestral
Conociendo la Varianza. Ejemplos
Sean:
X
1
, X
2
,,X
n
una sucesin de variables aleatorias independientes con
E(X
i
) =
i
y V(X
i
) = (
i
)
2
(i =1, 2,,n).

1
n
i i
i
X c X
=
=

, X variable aleatoria, c
i
constantes reales (i =1, 2,,n)
Entonces:
1
n
i i
i
c X
=

para n grande tiene distribucin


2 2
1 1 1
( , )
n n n
i i i i i i
i i i
X c X N c c
= = =
= ~



O bien:
1 1
2 2
1
n n
i i i i
i i
n
i i
i
c X c
Z
c

= =
=

para n grande tiene distribucin (0,1) Z N ~



Podemos escribir (0,1)
n
Z N


Consideraremos como grande a n cuando n 30.

Observacin 1. Si consideramos:
todas las constantes c
i
=1(i =1, 2,, n)
Todas las esperanzas
i
=1 (i =1,2,,n)
todas las varianzas (
i
)
2
=
2
(i =1,2,,n)
el enunciado del teorema se reduce a:

Sean:
X
1
, X
2
,,X
n
una sucesin de variables aleatorias independientes con E(X
i
) =

y
V(X
i
) =
2
(i =1, 2,,n).
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 8 de 32

1
n
i
i
X X
=
=

variable aleatoria
Entonces:
1
n
i
i
X X
=
=

para n grande tiene distribucin


2
1
( , )
n
i
i
X X N n n
=
=


O bien:
1 1
2
n n
i i
i i
X n X n
Z
n
n

= =

= =

para n grande tiene distribucin (0,1) Z N ~
Podemos escribir: (0,1)
n
Z N



Observacin 2. Como vemos este teorema trata de la normalidad aproximada de una
suma de n variables aleatorias, donde n es grande.
Aplicaremos este teorema para obtener la distribucin de la media muestral. Para ello lo
enunciamos en forma equivalente a la vista en segundo lugar, como sigue:


El hecho sobresaliente de este teorema es que an si la poblacin original no es
normal, la media estandarizada es aproximadamente normal si n es grande (n 30).
Ambas formas de enunciar el teorema son equivalentes, pues:

Sea (X
1
, X
2
,,X
n
) una muestra aleatoria de tamao n de una
poblacin con media y varianza
2
. Si n es grande,
entonces:
1
1
n
i
i
X X
n
=
=


tiene aproximadamente una distribucin normal con:

media
X
=

desviacin estndar
X
n

=
Equivalentemente:

X
Z
n


= tiene distribucin aproximadamente N(0,1)
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 9 de 32
1 1
1
( )( )
n n
i i
i i
X X n
n
X
Z Z
n
n n



= =

= = =



En el siguiente cuadro resumimos lo dicho sobre la distribucin de muestreo de X








La Fig.1 sugiere que las distribuciones muestrales de X sern aproximadamente
normales para tamaos de muestra n =25, para la mayora de las poblaciones.

Distribucin de la media muestral X

1. Si se selecciona una muestra aleatoria de tamao n (n grande, n 30)
de la v.a. X (con cualquier distribucin) con media y desviacin
estndar , la distribucin de muestreo de la media muestral X ser
aproximadamente normal con:
Media:
X
=
Desviacin Estndar:
X
n

=

2. Si se selecciona una muestra aleatoria de tamao n de una v.a. con
distribucin normal con media y desviacin estndar , la
distribucin de muestreo de la media muestral X tendr exactamente
distribucin normal con:
Media:
X
=
Desviacin Estndar:
X
n

=
En este caso n es grande o chico.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 10 de 32

Fig.1
Error estndar de la media
El error estndar o tpico de la media juega un papel fundamental en la Estadstica, ya
que mide la variabilidad de la distribucin muestral de X ; esto es las variaciones
aleatorias de la media muestral con respecto a la verdadera media .
1. Si las observaciones se seleccionan aleatoriamente de una poblacin grande
(infinita) o de una poblacin finita pero con reemplazo el error estndar (o
tpico) de la media es
X
n

=
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 11 de 32
Del error tpico
X
n

= obtenemos dos conclusiones importantes:


Cuanto mayor sea el tamao de la muestra, menor ser el error estndar,
entonces las variaciones aleatorias de la media muestral sern menores y puede
esperarse que sta est ms cercana a la media de la poblacin.
Si es grande, indica gran variabilidad en la poblacin, entonces es de esperar
que la distribucin muestral de X tenga una variacin proporcional bastante
grande, reflejada por un error tpico grande.
2. Cuando la poblacin es finita y se hacen las extracciones sin reposicin el error
estndar no es
X
n

= sino una cantidad menor. Esto es evidente por el


hecho lgico que la desviacin estndar de X debe tender a cero a medida que
el tamao muestral n se aproxima al tamao poblacional N. En este caso el
error estndar (o tpico) de la media es
1
X
N n
n N

. Al factor
1
N n
N

se
lo denomina factor de correccin para una poblacin finita (observar que
siempre ser un nmero menor que 1). Convendremos en usar sta correccin
cuando la poblacin es finita y se hace un muestreo sin reemplazo; restringiendo
ms an cuando N 20n.
Como vemos es posible controlar las variaciones aleatorias haciendo variar el tamao de
la muestra.
Ejemplo 1. Produccin de petrleo crudo
Supngase que el nmero de barriles de petrleo crudo que produce un pozo
diariamente es una variable aleatoria con una distribucin no especificada. Si se observa
la produccin de 64 das, seleccionados en forma aleatoria, y si se sabe que la
desviacin estndar del nmero de barriles por da es = 16; determnese la
probabilidad de que la media muestral se encuentre a no ms de 4 barriles del verdadero
valor de la produccin por da.
Solucin
n =64; puesto que n es suficientemente grande, la distribucin de X es, en forma
aproximada, normal con:
media=
X
=
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 12 de 32
desviacin estndar=
16
2
64
X
n

= = =
Luego la v.a.
X
Z
n


= tiene distribucin aproximadamente N(0,1).
La probabilidad pedida es:
( 4) ( 4 4)
( 2 2) ( 2 2)
2
(2) ( 2) 0,9772 0,0228 0,9544
X X
X
P X P X
X
P P Z

< = < < =

= < < = < < =


= u u = =

Ejemplo 2. Las estaturas de 1000 estudiantes estn distribuidas aproximadamente en
forma normal con una media de 174,5 centmetros y una desviacin estndar de 6,9
centmetros. Si se extraen 200 muestras aleatorias de tamao 25 sin reemplazo de esta
poblacin, determinar:
a) Cuntas medias muestrales caen entre 172,5 y 175,8 centmetros?
b) Cuntas medias muestrales caen por debajo de 172 centmetros?
Solucin
En este ejercicio contamos con una poblacin finita y un muestreo sin reemplazo, por
tanto agregamos el factor de correccin.

a)
(172,5 175,8)
172,5 174,5 174,5 175,8 174,5
( )
6,9 1000 25 6,9 1000 25 6,9 1000 25
1000 1 1000 1 1000 1 25 25 25
( 1,47 0,96) 0,7607
P X
X
P
P Z
s s =

= s s =


= s s =

Grficamente:

Rta. (0,7607)(200) =152 medias muestrales.
b) Se calcula en forma similar que: ( 172) 0,0336 P X s =
Grficamente:
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 13 de 32

Rta. (0,0336)(200) =7 medias muestrales

3.3.4 Distribucin Muestral de la Suma o la Diferencia de Dos Medias,
Estadsticamente Independientes con Varianzas Conocidas Respectivamente.
Si se extraen al azar muestras independientes de tamaos n
1
y n
2
de dos poblaciones,
discretas o continuas, con medias
1
y
2
y desviaciones estndar
1
y
2

respectivamente, entonces las distribuciones de muestreo de
1
X +
2
X y de
1
X -
2
X
tendrn las siguientes propiedades:
1) Las media de las distribuciones muestrales son:
2 1
2 1
+ =
+ X X
y
2 1
2 1
=
X X

2) Las varianzas de las distribuciones muestrales para la suma y la diferencia son:
2
2
2
1
2
1
2 1 2 1
n n
X X X X

+ =

=
+

3) a) Si ambas distribuciones son normales entonces
1
X +
2
X y
1
X -
2
X tienen distribucin normal in importar que valores
tengan n
1
y n
2
.
b) Si n
1
30 y n
2
30 la aproximacin normal para la distribucin de
2 1
X X es
muy buena sin importar las distribuciones de las dos poblaciones.
c) Si n
1
<30 y n
2
<30 la aproximacin normal es razonablemente buena, excepto
cuando las poblaciones no son normales.
d) En el caso de aproximaciones normales, las variables aleatorias
2
2
2
1
2
1
2 1 2 1
) ( ) (
n n
X X
Z


+

= y
2
2
2
1
2
1
2 1 2 1
) ( ) (
n n
X X
Z


+
+ +
=
Tienen distribucin N(0,1).
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 14 de 32

Ejemplo. Se extraen aleatoriamente:
a) una muestra de tamao n
1
=5 de una poblacin normalmente distribuida con
media
1
=50 y desviacin estndar
1
=3, y se registra la media muestral
1
X .
b) Una segunda muestra de tamao n
2
=4, independientemente de la primera, de
una poblacin diferente que tambin est normalmente distribuida, con media
2

=40 y desviacin estndar
2
=2 y se registra la media muestral
2
X .
Hallar P(
1
X -
2
X <8,2).
Solucin
1401 , 0 08 . 1
8 , 2
10
4
4
5
9
10 2 , 8 ) ( ) (
) 2 , 8 (
) (
) (
2 1
2
2
2
1
2
1
2 1 2 1
2 1
= <

<
+

= <

=
=
X X
P
n n
X X
P X X P




3.3.5 Problemas
Problema 1
Una empresa fabrica elementos con una duracin que se distribuye aproximadamente en
forma normal, con media de 800 horas y desviacin estndar de 40 horas. Encuentre la
probabilidad de que una muestra aleatoria de 16 de tales elementos tenga una vida
promedio de por lo menos de 775 horas.
Solucin
0062 , 0 ) 75 , 2 ( )
16
40
800 775
16
40
800
( ) 775 ( = s =

= s Z P
X
P X P

UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 15 de 32

Problema 2 Uno de los principales fabricantes de televisores compra cables a dos
compaas. Los cables de la compaa A tienen una vida media de 7,2 aos con una
desviacin estndar de 0,8 aos, mientras que los de la B tienen una vida media de 6,7
aos con una desviacin estndar de 0,7.Determine la probabilidad de que una muestra
aleatoria de 34 tubos de la compaa A tenga una vida promedio de al menos 1 ao ms
que la de una muestra aleatoria de 40 cables de la compaa B.
Solucin
Datos

A
=7,2
B
=6,7

A
=0,8
B
=0,7
n
A
=34 n
B
=40
0023 , 0 9977 , 0 1 ) 84 , 2 ( 1 ) 84 , 2 (
]
40
7 , 0
34
8 , 0
) 7 , 6 2 , 7 ( 1 ) ( ) (
[ ) 1 (
2 2 2 2
= = s = > =
=
+

>
+

= >
Z P Z P
n n
X X
P X X P
B
B
A
A
B A B A
B A





3.4 Varianza Muestral
3.4.1 Distribucin Chi-Cuadrado
Introduccin
La distribucin Normal se usa en Estadstica por dos razones fundamentales:
1. se trata de una distribucin importante en si misma, ya que proporciona una
descripcin de gran cantidad de poblaciones.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 16 de 32
2. describe algunas distribuciones muestrales muy importante, en particular la de la
media de la muestra.
Por tanto la distribucin Normal puede usarse para describir una poblacin o una
muestra.
Por el contrario a la distribucin Chi-Cuadrado (o J i Cuadrado), solo la usaremos para
describir algunas distribuciones muestrales, una de las cuales es la de la varianza
muestral.
Por ahora, nos ser til para determinar si una distribucin muestral y otra terica son
lo suficientemente similares como para justificar la conclusin de que la poblacin de
la que se extrajo la muestra tiene una determinada distribucin.

Definicin. Si Z
1
, Z
2
,,Z
n
son variables aleatorias N(0,1) independientes, entonces
decimos que:
2 2
2
2
1
...
n
Z Z Z X + + + =
Tiene una distribucin Chi Cuadrado con n grados de libertad.

Notacin. Si X es una variable aleatoria continua con distribucin Chi-Cuadrado y
grados de libertad, lo indicaremos X~
2

.
El subndice de la v.a.
2

corresponde al nmero de variables aleatorias


independientes de las que
2

es suma y es lo que llamamos grados de libertad de la


v.a.
2

.

Teorema de la adicin para la distribucin Chi Cuadrado
Si
2
1
y
2
2
son variables aleatorias independientes con distribucin Chi Cuadrado
con
1
y
2
grados de libertad, respectivamente, entonces:
2

=
2
1

+
2
2


tambin tiene una distribucin chi-cuadrado con =
1
+
2
grados de libertad.
Grados de libertad
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 17 de 32
Qu son los grados de libertad? Podemos definirlos como el nmero de valores que
podemos elegir libremente.
Por ejemplo, supongamos que estamos tratando con una muestra de tamao 2, los
valores de muestra son a y b, y sabemos que tienen una media de 18. Simblicamente la
situacin es:
18
2
=
+ b a

Cmo podemos encontrar los valores que a y b pueden tomar en esta situacin? La
respuesta es que a y b pueden ser cualquier valor cuya suma entre los dos sea 36, ya que
36 dividido 2 es 18.
Suponga que sabemos que a tiene el valor 10. Ahora b ya no es libre de tomar cualquier
valor, sino que debe de tomar el valor 26, ya que:
si a =10
entonces 18
2
10
=
+ b

de modo que. 10+b =36
por tanto: b =26
La situacin de este ejemplo se puede generalizar para cualquier (n) en donde dada la
media de los valores slo quedan (n-1) elementos que pueden definirse libremente y uno
es funcin de la media y el resto de los elementos.

Observaciones.
1.
2

es una v.a. por ser una funcin de variable aleatoria.


2. Puesto que
2

es una suma de variables aleatorias elevadas al cuadrado, su


rango es el intervalo [0,+).
3. La forma de una distribucin Chi cuadrado depende de los grados de libertad,
por tanto hay un nmero infinito de distribuciones
2
.
4. Las distribuciones
2
no son simtricas, tienen colas estrechas que se
extienden a la derecha, decimos que estn sesgadas a la derecha.
5. La media y la varianza de una v.a. con distribucin Chi Cuadrado con grados
de libertad son:
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 18 de 32
2 )
2

Var( y )
2

E( = =
La siguiente figura ilustra distribuciones
2
para distintos valores de .

La funcin de densidad de probabilidad de la distribucin Chi Cuadrado est dada por:

>

= =
contrario caso en 0
0 x si
x/2
e
2)/2 (
x
(/2)
1
2

2
1
(x)
2
) (

x f
donde el parmetro de
2

son los grados de libertad.


Tener en cuenta que para =1 y =2 la funcin de densidad para x=0 se hace
infinito: 0
2
2
y 0
2
1
= = .
Para el resto de los valores de , para x=0, la funcin vale 0.
La funcin de densidad de probabilidad acumulada es:
du
x
u
e u
x
du x P x F
}
I

=
}
= s =
0
) 2 / (
2 /
2
2 / 2 / ) 2 (
0
2
)
2
( ) (


Esta integral no tiene primitiva, se resuelve por mtodos numricos. Igualmente en este
curso nos manejaremos con tablas de probabilidad.

Uso de la tabla de la distribucin Chi-Cuadrado. Ejemplos
Veamos como usar una tabla de probabilidad acumulada para esta distribucin.
La tabla que puede verse en el Anexo presenta la densidad de probabilidad de una v.a.
Chi Cuadrado para distintos grados de libertad (=1,2,,10) y distintos valores de x (de
0 a 20 con incremento 0,2). En la fila superior estn los valores de y en la columna de
la izquierda los de x; donde se cruzan la columna de la buscada y la fila de la x, se
encuentra el valor de la probabilidad a cumulada desde 0 a la x buscada.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 19 de 32
Veamos algunos ejemplos que muestran como debe usarse la tabla Chi Cuadrado que
aparece en el Anexo.
Ejemplos. Hallar:
1. ) 2 , 1
2
4
( < P
121901 , 0 ) 2 , 1
2
4
( = < P
2. ) 4 , 3
2
(
6
> P
757223 , 0 242777 , 0 1 ) 4 , 3
2
6
( 1 ) 4 , 3
2
6
( = = s = > P P

3. ) 6 , 5
2
8
4 , 3 ( < < P

214874 , 0
) 093189 , 0 308063 , 0 ) 4 , 3
2
8
( ) 6 , 5
2
8
( ) 6 , 5
2
8
4 , 3 (
=
= = < < = < < P P P


Interpolacin lineal. La funcin chi cuadrado es continua para x>0, pero en la tabla
solo se recogen algunos de sus valores (el nmero de valores existentes en la tabla
siempre es finito), para calcular los valores no encontrados en la tabla podemos usar
interpolacin lineal.
La interpolacin lineal parte de dos puntos conocidos e la funcin, y los valores
intermedios los determina por la recta que une estos dos puntos. Este mtodo siempre
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 20 de 32
aade un cierto error al sustituir la funcin y=f(x) por la recta r(x) que une los dos
puntos en cuestin.


La expresin:
1
)
1 2
1 2
1
( y y y
x x
x x
y +

=
determina la ecuacin de la recta y=r(x) que pasa por los puntos (x
1
,y
1
) y (x
2
,y
2
) siendo
x
1
<x<x
2
.
Ejemplo. Hallar: ) 75 , 1
2
5
( < P
El valor 1,75 no est en la tabla, pero si encontramos los ms prximos: 1,6<1,75<1,8 y
se observa:
123932 , 0 ) 8 , 1
2
5
(
098751 , 0 ) 6 , 1
2
5
(
= <
= <

P
P

sustituyendo en la expresin:
1
)
1 2
(
1 2
1
y y y
x x
x x
y +

=
se obtiene:
117637 , 0 098751 , 0 ) 098751 , 0 123932 , 0 (
6 , 1 8 , 1
6 , 1 75 , 1
= +

= y
por tanto: 117637 , 0 ) 75 , 1
2
5
( = < P
Tabla inversa de la distribucin Chi Cuadrado
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 21 de 32
Partiendo de: p x)
2
k
P( = < nos preguntamos:
Para una distribucin Chi Cuadrado con k grados de libertad, cual es el valor de x que
deja a su izquierda una probabilidad p?

En la tabla inversa tenemos en la fila superior las probabilidades P, en lacolumna de la
izquierda los grados de libertad k, donde se cruzan la fila y la columna
correspondientes, se encuentra el valor de x que deja a su izquierda una probabilidad P.
Ejemplo. Hallar el valor de x tal que 80 , 0 ) (
2
6
= < x P
Consultando la tabla inversa se obtiene: x=8,558.

Clculo de la probabilidad con la tabla inversa.
Ejemplo. Calcular con la tabla inversa ) 2 , 1
2
4
( < P
El valor 1,2 no figura en la tabla, pero en la fila de =4, tenemos:
1,064<1,2<1,649
adems encontramos que:
20 , 0 ) 649 , 1
2
4
P(
10 , 0 ) 064 , 1
2
4
P(
= <
= <

usando la expresin de interpolacin lineal:
1
)
1 2
1 2
1
( y y y
x x
x x
y +

=
resulta: 1232 , 0 1 , 0 ) 1 , 0 2 , 0 (
064 , 1 649 , 1
064 , 1 2 , 1
= +

= y
por tanto: 1232 , 0 ) 2 , 1 P(
2
4
= <
Puede verse que hay una diferencia del orden de la tercera cifra decimal, respecto a la
bsqueda directa en la tabla, esta diferencia se debe a la interpolacin lineal y la
relativamente gran diferencia entre x
1
y x
2
.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 22 de 32

Funcin Gamma. En la funcin de densidad de probabilidad de esta distribucin
aparece la funcin gamma, que se define:
}


> = I
0
1
) 1 (
0 n para e convergent es que . ) ( dx e x n
x n

Algunas propiedades de esta funcin
) ( ) 1 ( n n n I = + I
1 ) 1 ( = I
Si n es un entero positivo ... 2, 1, n n! 1) (n = = + I
= I ) 2 / 1 (
Tomando (1) como la definicin de ) (n I para n >0, podemos generalizar la
funcin gamma para n <0.
Existen tablas de valores para la funcin gamma. Actualmente es til buscar
un valor de gamma en una calculadora cientfica.
3.4.2 Distribucin de la Varianza Muestral
Introduccin
Como definimos la varianza muestral por:
2
)
1
(
1
1
2
X
n
i
i
X
n
S
=

=
es natural esperar que se use esta v.a. como un estimador de la varianza poblacional
2
,
de una distribucin normal, cuando no seconoce
2
.
El proceso de estimacin puede considerarse como sigue:
la varianza de una distribucin normal se desconoce, entonces se toma una muestra
aleatoria de n observaciones, se calcula la v.a. S
2
y se usa este valor como un estimador
de
2
.
Se encuentra
2
bien estimado por S
2
?
Una medida de la aproximacin de S
2
a
2
est dada por:
positivos. reales nmeros b y a sindo b)
2

2
S
P(a s s
Se usa S
2
/
2
como una medida de aproximacin, en vez de S
2
-
2
, porque la distribucin
de S
2
/
2
se obtiene fcilmente, mientras la distribucin de S
2
-
2
es difcil de obtener.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 23 de 32
As como en el caso de una v.a. X con distribucin N(,
2
) usamos una transformacin
para obtener otra v.a. Z con distribucin N(0,1), cuyos valores de probabilidad se
encuentran tabulados; en el caso de la v.a. S
2
hacemos algo similar.
La transformacin, en este caso, se hace pasando a la variable:
cuadrado) - (chi
2

2
1)S (n
2


= (1)
cuyas probabilidades estn tabuladas.
Sin embargo, contrariamente a lo que ocurre con la distribucin normal estndar; la
forma de la curva que representa la f.d.p de
2
vara al cambiar el tamao de la
muestra.
Debido a esta dependencia respecto al tamao de la muestra, normalmente se usa un
subndice para identificarla. Por ejemplo, la (1) se escribira normalmente en la forma:
2

2
1).S (n
2
1 n

(2)
Una forma equivalente de escribir esta ecuacin es:
2

n
1 i
2
) X
i
(X
2
1 n


=

=

(3)
El subndice de
2
, que es igual al tamao de la muestra menos uno, recordemos que
son los llamados grados de libertad, que representaremos comnmente por (nu).
La expresin grados de libertad hace referencia, aqu, al nmero de cuadrados
independientes en el numerados de (3), es decir en
=

n
i
X
i
X
1
2
) ( . El nmero total de
cuadrados en esta expresin es n, pero slo hay n-1 cuadrados independientes,
porque una vez calculados los n-1 primeros, el valor del ltimo queda determinado
automticamente.

Teorema. Si X
1
, X
2
,, X
n
son variables aleatorias independientes cada una con
distribucin N(,
2
) entonces la v.a.
2

2
1).S (n
2
1 n

tiene una distribucin chi


cuadrado con n-1 grados de libertad.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 24 de 32
Este teorema no se prueba fcilmente, se omite la demostracin. slo presentaremos un
argumento emprico.
Si a y b son dos constantes cualesquiera, tales que: 0 a b, tenemos:
]
) 1 (
2
2
) 1 (
2
[ ]
2
2
) 1 (
[ )
2
1
(

s s

= s

s = s

s
n
b S
n
a P b
S n
a P b
n
a P


Como vemos una afirmacin de tipo probabilstico respecto a
2
se puede transformar
fcilmente en otra equivalente a S
2
.
Ejemplo. Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones
de una poblacin con varianza
2
=6, tenga una varianza muestral:
1. mayor que 9,1.
2. entre 3,462 y 10,745.
Solucin
1. 4 , 36
6
) 1 , 9 )( 1 25 ( ). 1 (
2
2
2
=

S n

al buscar este nmero en el rengln de 24 grados de libertad nos da un rea a la
derecha de 0,05, entonces: 05 , 0 ) 1 , 9
2
( = > S P

0,94 0,05 0,99
13,462) P( 42,98) P( 42,98) P(13,847
]
6
5) (24)(10,74
6
2
24.S
6
2) (24).(3,46
P[ 10,745)
2
S P(3,462
2
24
2
24
2
24
= =
= < < = < < =
= < < = <


3.5 Distribucin de la Media siendo la Varianza
Desconocida
3.5.1 Distribucin t de Student
Introduccin
La distribucin t de Student o simplemente distribucin t, surge del problema de
estimar la media de una poblacin normalmente distribuida y se desconoce la
desviacin tpica , de la poblacin.
Sabemos que el estadstico X (funcin de una muestra aleatoria) se distribuye para n
suficientemente grande, normalmente con:
media =
X

UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 25 de 32
desviacin estndar
n
X

=
o lo que es lo mismo: ) 1 , 0 ( N
n
X
Z ~



Para calcular Z se requiere que sea conocida. Si no se conoce y tratamos con una
muestra pequea se requiere un estadstico distinto de Z.
Es as que definimos:
n
S
X
T

=
Como vemos estamos introduciendo aqu ms incertidumbre, dado que S es estimador
de . Esto nos indica que la distribucin de T ser ms dispersa que la de Z.
T tiene distribucin t de Student. Esta distribucin tiene por funcin de densidad:
2
1) (
)
2
x
(1 .
)
2
(
)
2
1
(

1
(x) t
+
+
+
=


donde el parmetro de t

son los grados de libertad de la distribucin.


Las principales caractersticas de la distribucin t son:
1. Es una distribucin continua.
2. E(T)=0
2 para
2
) ( >

T V
3. La distribucin tiene forma acampanada y es simtrica respecto de la media
E(T)==0, -<t<+.
4. La V(T) es ligeramente mayor que 1, es decir es ligeramente mayor que la de la
distribucin normal estandarizada. Cuando los grados de libertad son
suficientemente grandes la varianza de la distribucin t tiendo a 1.
5. No hay una distribucin t sino una familia de distribuciones t; todas con la
misma media 0, pero con su respectiva desviacin estndar diferente de acuerdo
con el tamao de la muestra. Existe una distribucin t para una muestra de
tamao 20, otra para una muestra de tamao 22 y as sucesivamente.
6. La distribucin t es ms ancha y ms plana en el centro que la distribucin
normal estndar como resultado de ello se obtiene una mayor variabilidad en las
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 26 de 32
medias muestrales calculadas a partir de muestras ms pequeas. sin embargo a
medida que aumenta el tamao de la muestra, la distribucin t se aproxima a la
distribucin N(0,1).
7. Para n30 la distribucin t tiende a la N(0,1).
Grficamente:

Definicin. Formalmente una variable aleatoria T con distribucin t de Student se
define de la forma siguiente:
Sea Z una variable aleatoria con distribucin N(0,1) y sea
2
una variable Chi
Cuadrado con n grados de libertad, entonces:
(1)
n
2

Z
T =
donde:
2
2
) 1 (
2
y

S n
n
X
Z

=

=
Al sustituir en la frmula (1):
n
S
X
S
X n
S
X n
S
n
X
S
n
X
n
S n
n
X
T

=
) (
) (
2
2
1
2
2
) 1 (

Por tanto:
n
S
X
T

= con = n-1 grados de libertad.
Observacin aparece X porque estudiaremos con esta distribucin la media muestral.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 27 de 32
La distribucin de densidad acumulada de la distribucin t ser:
}

= < =
x
du u t x t P x F ) ( ) ( ) (


donde:
}

x
du u t primitiva tiene no ) (


Para el clculo de la integral anterior existen distintos tipos de tablas de esta
distribucin, en las que para distintos valores de y de x, se puede buscar su
probabilidad acumulada p.

Uso de tablas de la distribucin t. Ejemplos
En la tabla, que se encuentra en el Anexo, hay dos entradas, en la fila superior estn los
valores de y en la columna de la izquierda los de x, para x0, con incrementos de
0,05. Para cada valor de y de x correspondiente se obtiene la probabilidad acumulada
expresada con 3 cifras decimales.

Observacin. Se acostumbra representar con t

el valor t por arriba del cual se encuentra


un rea igual a . Como la distribucin t es simtrica alrededor de E(T)=0, tenemos

t t =
1
; es decir, el valor t que deja un rea de 1 a la derecha y por tanto un
rea de a la izquierda, es igual al valor t negativo que deja un rea de en la cola
derecha de la distribucin.
Esto es: etc. ;
0,01
t
0,99
t ;
0,05
t
0,95
t = =
Ejemplos.
1. Calcular: ) 25 , 0
9
( < t P
Solucin
Buscando en la tabla en la columna del 9, y la fila de 0,25 se obtiene:
596 , 0 ) 25 , 0
9
( = < t P
2. Hallar: ) 45 , 1
6
( < t P
Solucin
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 28 de 32
0,099 0,901 1
1,45)
6
P(t 1 1,45)
6
P(t 1 1,45)
6
P(t 1,45)
6
P(t
= =
= < = < = > + <

Debemos tener en cuenta aqu que: para conocer x) P(t
n
< siendo x>0, teniendo
en cuenta los dos principios:
La suma de probabilidades acumuladas menor y mayor que x es 1
La simetra de la distribucin t de Student.
Por tanto: 1 x)
n
P(t x)
n
P(t = > + <
despejando: ) x
n
P(t 1 x)
n
P(t < = >

Adems por simetra de la distribucin t respecto al eje y, la probabilidad acumulada
a la izquierda de x es igual a la probabilidad acumulada a la derecha de x:
x)
n
P(t x)
n
P(t > = <
sustituyendo en la expresin anterior: x)
n
P(t 1 x)
n
P(t < = < donde el valor
x) P(t
n
< se busca en la tabla.
3. Calcular: 2,45)
15
P(t >
Se trata de calcular 0 x siendo x)
n
P(t > > , se lo indica en la figura siguiente:

UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 29 de 32
0,014 0,986 1 2,45)
15
P(t 1 2,45)
15
P(t = = < = >
4. Calcular: 1,95)
9
P(t >
Aqu se trata de calcular 0 x siendo x)
n
P(t < > , o sea el rea de la regin amarilla
en la siguiente figura:

959 , 0 ) 95 , 1 P(t 1,95) P(t
9 ) 1 ( 9
= < = >
(1) por la simetra de la funcin t de Student.
5. Calcular: 1,25)
25
t P(0,75 < <
119 , 0 770 , 0 889 , 0 ) 75 , 0
25
( ) 25 , 1
25
P(t 1,25)
25
t P(0,75 = = < < = < < t P
En la figura siguiente se esquematiza este problema:

El rea de la zona amarilla representa el valor de probabilidad hallado.
6. Hallar: 0,87) P(t
10
<
El valor 0,87 no se encuentra en la tabla, se observa que:
0,85<0,87<0,90
por tanto debemos aplicar interpolacin lineal.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 30 de 32
Encontramos: 5 0,80 0,90)
10
P(t y 0,792 0,85)
10
P(t = < = <
Por tanto: 7972 , 0 792 , 0 ) 792 , 0 805 , 0 (
85 , 0 90 , 0
85 , 0 87 , 0
= +

= y
Tabla inversa de la distribucin t de Student
Partiendo de: p x t P
n
= < ) ( nos preguntamos:
para una distribucin t de Student con n grados de libertad, cul es el valor de x que
deja a su izquierda una probabilidad p?
La siguiente figura ilustra este problema:

En la tabla tenemos en la fila superior las probabilidades p, en la columna de la
izquierda los grados de libertad n; donde se cruzan la fila y la columna correspondientes
se encuentra el valor de x correspondiente con 6 cifras decimales.
Ejemplo. Hallar x tal que: 0,85 x) P(t
5
= <
Como puede verse en la tabla: 155768 , 1 x 0,85 x)
5
P(t = = < .
3.5.2 Distribucin de la Media Muestral desconociendo la Varianza
Hemos visto hasta ahora la importancia que tiene la estandarizacin:
n

X
Z

=
Habitualmente: el objetivo que se persigue al recurrir a esta estandarizacin es
determinar la probabilidad de algn valor especfico X , suponiendo que la media
poblacional es , para luego usar esta probabilidad en la toma de decisiones.
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 31 de 32
Hasta ahora para efectuar la estandarizacin dispusimos de un valor de la media
poblacional y de la desviacin estndar poblacional .
Qu ocurre cuando se desconoce ?
En este caso puede usarse el estadstico muestral S, y la estandarizacin adoptar la
forma:
n
S
X
T

=
Como vimos la distribucin del estadstico T, recibe el nombre de distribucin t de
student. En este caso se usar a T para estimar a X
Recordar que =n-1recibe el nombre de grados de libertad, y representa una medida del
nmero de observaciones independientes en la muestra.
Ejemplo Un ingeniero qumico afirma que el rendimiento medio de la poblacin de
cierto proceso en lotes es 500 gramos por milmetro de materia prima.
Para verificar esta afirmacin toma una muestra de 25 lotes cada mes. Si el valor de t
calculado cae entre t
0,05
y t
0,05
, queda conforme con su afirmacin. Qu conclusin
extraera de una muestra que tiene una media de 518 gramos por milmetro y una
desviacin estndar de 40 gramos? Suponga que la distribucin de rendimientos es
aproximadamente normal.
Solucin
De la tabla encontramos que y t
0,05
para 24 grados de libertad es de 1,711. Por tanto, el
fabricante queda conforme con esta afirmacin si una muestra de 25 lotes rinde un valor
t entre -1,711 y 1,711.
Calculando el valor de t:
2,25
25
40
500 518
n
S
X
t =

=
UNLP-Facultad de Ingeniera Ctedra: Estadstica

Carreras: Ing. Electrnica y Electricista Magster. Lic. Alicia Ledesma

Pgina 32 de 32
Este es un valor muy por encima de 1,711. Si se desea obtener un valor de t con 24
grados de libertad igual o mayor a 2,25 e busca en la tabla y es aproximadamente igual a
0,02. Por tanto es probable que el fabricante concluya que el proceso produce un mejor
producto del que piensa.
3.6 Mnimo y Mximo Muestrales
3.6.1 Teorema 1
Sean:
- X una v.a. con f.d.p. f(x) y F.d.a. F(x).
- (X
1
, X
2
,, X
n
) muestra aleatoria de tamao n de la v.a. X.
- X
(m)
=mn(X
1
, X
2
,, X
n
) el mnimo muestral.
Entonces: g
m
(x)=n[1-F(x)]
n-1
.f(x) es la f.d.p. de X
(m)
.
Demost.
1. Calculamos la F.d.a. de X
(m)
, que llamaremos G
m
(x).
) n 1,2,..., i (
X v.a. las todas para misma la , F.d.a la es F(x) donde
F(x)] [1 1 F(x)] F(x)]...[1 F(x)][1 [1 1 x) X x)......P( x).P(X P(X 1
x)] (X ... x) (X x) P[(X 1 x) P(X 1 x) P(X (x) G
i
n
n 2 1
(1) n 2 1
(m) (m)
m
=
= = > > > =
= > > > = > = s =
(1) por independencia
2. Derivando respecto de x:
) .f(x
1 n
F(x)] n[1 F(x)
1 n
F(x)] n[1 (x)
m
g

=

=
3.6.2 Teorema 2
Sean:
- X una v.a. con f.d.p. f(x) y F.d.a. F(x).
- (X
1
, X
2
,, X
n
) muestra aleatoria de tamao n de la v.a. X.
- X
(M)
=mx(X
1
, X
2
,, X
n
) el mximo muestral.
Entonces: g
M
(x)=n[F(x)]
n-1
.f(x) es la f.d.p. de X
(M)
.
Demost
Basarse en la demostracin del Teorema 1.