Poblacin y Muestra Aleatoria 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. 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. Definicin. Sea X una variable aleatoria con funcin de distribucin de probabilidad f(x). Sean X1, X2,, Xn 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 (X1, X2,, Xn) es una muestra aleatoria de la variable aleatoria X.

Parmetros y Estadsticos o Estadgrafos 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.

Ejemplo. Cuando se especifica el parmetro de una distribucin exponencial se describe de manera completa la funcin de densidad de probabilidad como: e x / si x > 0 f ( x; ) = 0 en caso contrario Una vez que se conoce el parmetro , puede formularse cualquier proposicin probabilstica de inters. Por ejemplo : Si = 2 entonces P(X > 4)= e x/2 dx = 0,1053
4

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. Estadsticos o Estadgrafos Definicin. Sea (X1, X2,, Xn) una muestra aleatoria de una variable aleatoria X. Cualquier funcin real Y = H(X1, X2,, Xn) de las observaciones de la muestra se llama estadstico o estadgrafo. Algunos estadsticos importantes Sea (X1, X2,, Xn) una muestra aleatoria de la v.a. X. Definiremos algunos estadsticos importantes. Media Muestral X= Es estadstico X toma el valor 1 n X n i=1 i

1 n x = xi cuando: n i =1

X1 = x1, X2 =x2,, Xn = xn En la prctica el trmino media muestral se aplica tanto al estadstico X como a su valor calculado x .

 Varianza Muestral

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

X)

Observar que la varianza muestral S unidades originales de las mediciones.

se mide en trmino del cuadrado de las

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

= mn( X 1 , X 2 ,..., X n )

= mx( X 1 , X 2 ,..., X n )

Distribucin Muestral de Estadsticos 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.

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 desconocemos. aleatoria cuya distribucin

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. conjunto media, la varianza, etc. Esperanza y Varianza de la Media Muestral Supongamos que (X1, X2,,Xn) es una muestra aleatoria de la v.a. X. La media muestral de esas n observaciones ser: X= X 1 + X 2 + ... + X
n

Supongamos de

tambin

que calculamos

un

medidas caractersticas de dicha muestra: la

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(Xi) = , i = 1, 2,, n; dado que cada Xi (i = 1, 2,, n) es una v.a. idntica a X (por definicin de muestra aleatoria). Entonces: E(X)=E n =

(X

+ X 2 + ... + X n n

) = E( X ) + E ( X
1

) + ... + E ( X n ) n

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

(X
n

+ X 2 + ... + X n n

)=
n = n
2 2

Var ( X ) + Var ( ) + ... + Var ( X X 1 2) n

2

= n

(usando propiedades de la varianza y definicin de muestra aleatoria). Teorema Central del Lmite. Distribucin de la Media Muestral Conociendo la Varianza. Ejemplos Sean: X1, X2,,Xn una sucesin de variables aleatorias independientes con E(Xi) = i y V(Xi) = (i) (i = 1, 2,,n). X = ci X , X variable aleatoria, ci constantes reales (i = 1, 2,,n) Entonces:
n i =1 i i =1 n n n n

i =1

i =1

i =1

2 i

2 i

O bien:

Z=

ci X i ci
i =1

i =1 n

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

c
i =1 2 i

2 i

Podemos escribir Z n N (0,1) Consideraremos como grande a n cuando n 30. Observacin 1. Si consideramos: todas las constantes ci = 1(i = 1, 2,, n) Todas las esperanzas i = 1 (i = 1,2,,n) todas las varianzas (i) = (i = 1,2,,n) el enunciado del teorema se reduce a: Sean: X1, X2,,Xn una sucesin de variables aleatorias independientes con E(Xi) = y V(Xi) = (i = 1, 2,,n).
2 2 2

 X = X variable aleatoria
i i =1

Entonces:
n

i =1

2 i

i =1

O bien:

X
n Z=
i =1

X
i =1

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

Podemos escribir: 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: Sea (X1, X2,,Xn) una muestra aleatoria de tamao n de una poblacin con media y varianza . Si n es grande, entonces: 1 n X i n i =1 tiene aproximadamente una distribucin normal con: X= media X = desviacin estndar X = Equivalentemente: Z= X
2

tiene distribucin aproximadamente N(0,1)

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:

X Z=

( 1 )( X i ) n

Z=

X
=
i =1

i =1

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

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 exactamente distribucin normal con: Media: X = X tendr

Desviacin Estndar: X = n En este caso n es grande o chico.

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.

P (172, 5 X 175, 8) = a) = P ( 172, 5 174, 5 6, 9 1000 25 25 1000 1 175, 8 174, 5 X 174, 5 )= 6, 9 1000 25 6, 9 1000 25 25 1000 1

25 1000 1 = P (1, 47 Z 0, 96) = 0, 7607 Grficamente:

Rta. (0,7607)(200) = 152 medias muestrales. b) Se calcula en forma similar que: P ( X 172) = 0, 0336

REPUBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA EDUCACION UNIVERSITARIA I.U.P SANTIAGO MARIO EXTENSION PUERTO ORDAZ ING. INDUSTRIAL ESC. 45 SEC. J NOCTURNO ESTADISTICA II

MUESTREO Y DISTRIBUCIONES MUESTRALES

PROFESOR: JOSE COVA ELABORADO POR: AIKARO PALMO C.I.: 17.542.253 VICTOR BOLIVAR C.I.: 20.808.149

PUERTO ORDAZ- EDO. BOLIVAR, JULIO DE 2013