CAPÍTULO 1 ESPACIOS MÉTRICOS

Lección 1.2. Espacio Lineal

Si se seleccionan muestras aleatorias de n observaciones de una población con

media µ y desviación estándar σ finita, entonces, cuando n es “grande” la distribuci
ón de muestreo de la media muestral X tendrá aproximadamente una distribución
normal con media µ y desviación estándar σ / n . Además la variable aleatoria
(x−µ)/(σ/ n )
Es aproximadamente normal estándar.
Lo anterior implica que mientraas que el tamaño de la muestra no sea demasiado
pequeño, X tiene una distribución aproximadamente normal independientemente de
la forma de la distribución de la que se obtenido la muestra.

Qué tamaño de muestra es grande?

Se ha realizado una gran investigación estadística sobre este tema. Como regla
general los estadísticos han encontrado que par la mayor parte de las distribuciones
poblacionales siempre que el tamaño de la muestra sea por lo menos 30, la
distribución muestral de la media será aproximadamente normal. Sin embargo,
quizás sea posible aplicar el Teorema Central del Límite para tamaños de muestra
incluso más pequeña, si se cuenta con algún conocimiento de la población, como
por ejemplo, si la distribución es simétrica se puede apreciar en las figuras que se
presentan a continuación la aplicación del Teorema Central del Límite, cuando el
muestreo se hace de una población continua, uniforme y exponencial. Se toma para
cada uno 500 muestras de tamaño n = 2, 4, 8, 16, 32. Se puede observar que según
aumenta el tamaño de la muestra, la distribución se aproxima a una normal. De los
gráficos se pueden obtener las siguientes conclusiones:

1. Para la mayor parte de las distribuciones de la población, independientemente

de su forma, la distribución muestral de la media tendrá distribución
aproximadamente normal si se seleccionan muestras de por lo menos 30
observaciones.
2. Si la distribución de la población es bastante simétrica, la distribución muestral
de la media será aproximadamente normal y se seleccionan muestras de por lo
menos quince observaciones.
3. Si la población tiene distribución normal, la dsitribución muestral de la media
tendrá distribución normal independientemente del tamaño de la muestra.
 Figura 3. Distribuciones para diferentes tamaños de muestra.

Estimación por intervalo de la media cuando la varianza es desconocida

En la mayor parte de los casos cuando se realiza un estudio estadístico por primera
vez, no hay forma de conocer previamente cuál es la media o la varianza de la
población. En esta sección se considerará la inferencia sobre la media cuando la
varianza de la población es desconocida.
Para obtener el intervalo estimador se para µ bajo estas condiciones se debe tener
en cuenta que no es posible utilizar la variable aleatoria

X−µ
σ/ n

Ya que el valor de σ no es conocido, por ello debe ser estimado y además la

distribución de probabilidad no es normal estándar.
Un buen estimador de σ es la desviación muestral S a pesar de que no es un
estimador insesgado de σ (ver ejercicio 6.5 parte 9 de Susan). Al reeplazar en la
expresión anterior la deviación poblacional por S entonces se conoce teóricamente
que la distribución de probabilidad de la variable aleatoria (X−µ)/(S/ n )
es T de Student.

Cuáles son las características de una variable aleatoria t-Student?

Como características principales se tienen:

1. Hay un número infinito de variables aleatorias T, cada una identificada por un
parámetro n, llamado grados de libertad, el cual es siempre un entero positivo.
2. Cada variable aleatoria T es continua.
3. El gráfico de la densidad de cada variable aleatoria T n es una curva simétrica en
forma da campana centrada en cero.
4. La media y la varianza de una variable aleatoria T n son respectivamente:

E Tn = n y Var T n = n con n > 2

n−2
5. Cuando el número de grados de libertad crece, la curva de densidad se aproxima
a la de una distribución normal, como se observa en la figura 4.

Figura 4. Algunas Distribuciones T-Student

Nótese que si n→∞ la distribución T se transforma en la distribución normal está

ndar.

El intervalo de confianza, se obtiene de manera análoga al caso con varianza

conocida pero utilizando la variable (X−µ)/(S/ n ). De esta manera el
intervalo estimador es

( X − t α/2 S , X + t α/2 S
n n )
Ejemplo

Suponga que en una muestra se x = 530.5, s 2 = 2376.57, n = 8 , un intervalo

estimado con un grado de confianza del 95% es dado por

( 530.5 − 2.365 s
n
, 530.5 + 2.365 s
n )⇔( 530.5 − 2.365 48.75
8
, 530.5 + 2.365 48.75
8 ) ⇔( 489.74, 571.26

Otra manera de expresar lo anterior es: 530.5 ± 40.76