Professional Documents
Culture Documents
Clase 6 - Teoría de muestras-03-05-22-AVM
Clase 6 - Teoría de muestras-03-05-22-AVM
- CURSO 2022 -
INTRODUCCIÓN
POBLACIÓN Y MUESTRA
Muestra
Población
ESTADÍSTICOS Y SUS DISTRIBUCIONES (1)
Considérese seleccionar dos muestras diferentes de tamaño n de la
misma distribución de población.
DEFINICIÓN
Un estadístico es cualquier cantidad cuyo valor puede ser calculado
a partir de datos muestrales.
Muestras aleatorias
La distribución de probabilidad de cualquier estadístico particular
depende no sólo de la distribución de la población (normal, uniforme,
etc.) y el tamaño de muestra n, sino además del método de muestreo.
DEFINICIÓN
Se dice que las variables aleatorias X1, X2, . . . , Xn forman una
muestra aleatoria simple de tamaño n si:
1. Las Xi son variables aleatorias independientes.
2. Cada Xi tiene la misma distribución de probabilidad.
ESTADÍSTICOS Y SUS DISTRIBUCIONES (4)
Ejemplo:
Un centro de servicio automotriz cobra $40, $45 y $50 por
determinado arreglo de autos de cuatro, seis y ocho cilindros,
respectivamente. Si 20% de sus arreglos se realizan en autos de
cuatro cilindros, 30% en autos de seis cilindros y 50% en autos de
ocho cilindros.
ESTADÍSTICOS Y SUS DISTRIBUCIONES (5)
La distribución de probabilidad de los ingresos por un arreglo
seleccionado al azar está dada por
Población
(A)
Distribuciones
de muestreo
2
de X
yS
DeVore (2008)
ESTADÍSTICOS Y SUS DISTRIBUCIONES (9)
n xi 1 n 1 n
n E[X]
E[ X ] = E ∑ n n ∑
= E[ x i ] = E[ X ]∑ 1 = =µ
i=1 i =1 n i =1 n
Finalmente X ∼ f µ,(σ 2
n
)
DISTRIBUCIÓN MUESTRAL DE MEDIAS (3)
DEFINICIÓN (B)
Para todas las muestras del mismo tamaño n, con n > 30, la
distribución muestral de x puede aproximarse mediante una
distribución normal con media µ y desviación estándar ⁄
TEOREMA DEL LÍMITE CENTRAL (2)
INTERPRETACIÓN
Cuando se suma un número grande de variables aleatorias, la
variable resultante es una variable con distribución
aproximadamente igual a la distribución normal.
Se utiliza el término número grande (porque matemáticamente el
teorema se establece cuando n tiende a infinito), sin embargo, en
la práctica, con tener que n sea un número mayor o igual a 30,
la aproximación ya proporciona buenos resultados.
El teorema es cierto independientemente de la distribución que
sigan las variables que se sumen (no importa si son
exponenciales, binomiales, geométricas, etc.); lo único que se
necesita es saber su media y su varianza.
TEOREMA DEL LÍMITE CENTRAL (3)
Teorema del
límite central
ilustrado -
(Navidi, 2006)
TEOREMA DEL LÍMITE CENTRAL (5)
RESUMEN
La aproximación normal para X
generalmente será buena si
n ≥ 30 sin importar la forma de la población.
Triola (2018)
DISTRIBUCIÓN MUESTRAL DE VARIANZAS (2)
(n − 1) S2 2
P(S/σ ≥ 1,1) = P 2
≥ 17 (1,1) = P (U ≥ 20 ,57 )
σ
= 1 − P(U < 20,57 ) = 1− 0,75 = 0,25
2
… 2 f(x)
ν χ 0 , 005 χ 0 , 75
1
… 1-α X
17 5,70 … 20,49
α
20,57
DISTRIBUCIÓN MUESTRAL DE VARIANZAS (5)
DISTRIBUCIÓN CHI-CUADRADO (3)
Tabla de distribución acumulada
DISTRIBUCIÓN MUESTRAL DE MEDIAS – cont. (5)
DISTRIBUCIÓN " t " DE STUDENT (1)
Muestras pequeñas
¿Qué se puede hacer si es la media de una muestra pequeña? Si éste es
pequeño, s podría no estar cercano a , y puede no ser aproximadamente
normal. Si no se sabe nada acerca de la población de la que la muestra
pequeña fue extraída, entonces no hay ningún método fácil para calcular
probabilidades. Sin embargo, si la población es aproximadamente normal,
lo será incluso cuando el tamaño muestral sea pequeño.
La curva t con un grado de libertad tiene mucho más área en las colas. Para
tamaños muestrales más grandes, el valor de s es menos probable que esté lejos de
y la curva t es más cercana a la curva normal. Con diez grados de libertad
(corresponde n = 11), la diferencia entre la curva t y la curva normal no es grande.
Una curva t con 30 grados de la libertad es casi indistinguible de la curva normal.
DISTRIBUCIÓN MUESTRAL DE MEDIAS – cont. (7)
DISTRIBUCIÓN " t " DE STUDENT (3)
2 ∴ X −µ
σ → ŝ2
Z=
S n
∼ N(0, 1)
Si n < 30,
30,
X −µ N(0,1)
T= ∼ t α, (n - 1) T= ∼ t α, ( ν )
S n χ 2
(ν) ν
X −µ
σ n X −µ
T= 2
= ∼ t α, ( n -1)
(n − 1) S S n
σ 2 (n − 1)
DISTRIBUCIÓN MUESTRAL DE MEDIAS – cont. (8)
DISTRIBUCIÓN " t " DE STUDENT (4)
Gráficas de la función
de densidad de
probabilidad de la
curva t de Student
para diferentes grados
de libertad.
La curva normal con
media 0 y varianza 1
(curva z) es graficada
para comparar.
Las curvas t están
más extendidas que la
normal, pero la
cantidad de extensión
adicional disminuye
conforme se aumenta
el número de grados
de libertad.
Fuente: Navidi (2006)
DISTRIBUCIÓN MUESTRAL DE MEDIAS – cont. (9)
DISTRIBUCIÓN " t " DE STUDENT (5)
Ejercicio 2:
Se extrae una muestra aleatoria de tamaño 10 de una distribución normal
con media 4. La estadística t de Student t = ( – 4)/(⁄ 10) es calculada.
¿Cuál es la probabilidad de que t > 1.833?
DISTRIBUCIÓN MUESTRAL DE MEDIAS – cont. (10)
DISTRIBUCIÓN " t " DE STUDENT (6)
Ejercicio 3: De una población con distribución normal con S2 = 4
y µ = 17 se toma una muestra de tamaño 25.
Encontrar
X − µ 16,22 − 17 16,22
1. P (X ≥ 16,22) = P ≥
S n 25
= P (t ≥ −1,95) = P (t ≤ 1,95) = 0,975
C − 17 = −1,711
C
2/5
Busco en tabla una probabilidad
acumulada de 0,95, y por
simetría tomo el valor de t pero
con signo negativo
0,05 0,05
C = 16,3 C C*
DISTRIBUCIÓN MUESTRAL DE MEDIAS – cont. (13)
DISTRIBUCIÓN " t " DE STUDENT (9)
Tabla de distribución acumulada
DISTRIBUCIÓN MUESTRAL DE VARIANZAS –
DOS POBLACIONES (1)
DISTRIBUCIÓN “F” DE FISHER (1)
La distribución F se define como la razón de dos
variables aleatorias Chi – Cuadrado independientes,
dividas entre sus grado de libertad
U1 ν1
F= ∼ Fα, (ν1 ,ν 2 )
U2 ν2