INTRODUCCIÓN

La distribución de la población de la cual extraemos la muestra con la que

trabajamos en estadística es importante para saber qué tipo de distribución
debemos aplicar en cada una de las situaciones que se nos presenten en la
práctica; a continuación veremos algunas de estas distribuciones que se
encuentran relacionadas con la distribución normal, además de observar la
distribución muestral para la media y para la proporción y su relación con el
teorema central del límite. Que nos orientan sobre las decisiones que se deben
tomar para elegir cada tipo de distribución tomando en cuenta característica de la
misma muestra, todo depende del tamaño de población que vas a elegir o
comúnmente llamado muestra, en base a esa se realizaran las distribuciones
correspondientes.
La distribución muestral de la media

El estudio de determinadas características de una población se efectúa a través

de diversas muestras que pueden extraerse de ella.

El muestreo puede hacerse con o sin reposición, y la población de partida puede

ser infinita o finita. Una población finita en la que se efectúa muestreo con
reposición puede considerarse infinita teóricamente. También, a efectos prácticos,
una población muy grande puede considerarse como infinita.

Consideremos todas las posibles muestras de tamaño n en una población. Para

cada muestra podemos calcular un estadístico (media, desviación típica,
proporción,...) que variará de una a otra. Así obtenemos una distribución del
estadístico que se llama distribución muestral.

Las dos medidas fundamentales de esta distribución son la media y la desviación

típica, también denominada error típico.

Hay que hacer notar que si el tamaño de la muestra es lo suficientemente grande,

las distribuciones muestrales son normales y en esto se basarán todos los
resultados que alcancemos.

Distribución muestral de medias

Cada muestra de tamaño n que podemos extraer de una población proporciona

una media. Si consideramos cada una de estas medias como valores de una
variable aleatoria podemos estudiar su distribución que llamaremos distribución
muestral de medias.

Si tenemos una población normal N (μ,n) y extraemos de ella muestras de tamaño

n, la distribución muestral de medias sigue también una distribución normal
𝜎
𝑁(𝜇, )
√𝑛
Si la población no sigue una distribución normal pero n>30, aplicando el llamado
Teorema central del límite la distribución muestral de medias se aproxima también
a la normal anterior.

El teorema central del límite

Si en cualquier población se seleccionan muestras de un tamaño específico, la

distribución muestral de las medias de muestras es aproximadamente una
distribución normal. Esta aproximación mejora con muestras de mayor tamaño.
Ésta es una de las conclusiones más útiles en estadística pues nos permite
razonar sobre la distribución muestral de las medias de muestras sin contar con
información alguna sobre la forma de la distribución original de la que se toma la
muestra.

La distribución muestral de la proporción

Hoy es bien sabido que si la investigación produce datos mensurables tales como
el peso, distancia, tiempo e ingreso, la media muestral es en ocasiones el
estadístico más utilizado, pero, si la investigación resulta en artículos “contables”.

Mientras que la media se calcula al promediar un conjunto de valores, la

“proporción muestral” se calcula al dividir la frecuencia con la cual una
característica dada se presenta en una muestra entre el número de elementos de
la muestra. Es decir:
𝑥
𝑝̅ =
𝑛
Dónde: x = número de elementos de una muestra con la característica.
n = número de elementos de la muestra.

La distribución muestral de la varianza

La varianza de las muestras sigue un proceso distinto a los de la media y

proporción. La causa es que el promedio de todas las varianzas de las muestras
no coincide con la varianza de la población 𝑆 2 .

Comúnmente se utiliza el subíndice n para recordar que en la varianza se divide

entre n. Si deseamos que la media de la varianza coincida con la varianza de la
población, tenemos que acudir a la cuasivarianza o varianza insesgada, que es
similar a la varianza, pero dividiendo las sumas de cuadrados entre n-1.

Su raíz cuadrada es la desviación estándar. Si se usa esta varianza, si coinciden

su media y la varianza de la población lo que nos indica que la cuasivarianza es
un estimador insesgado, y la varianza lo es sesgado.
CONCLUSIÓN

El teorema central del límite es útil para entender que la distribución de las medias
de muestras tomadas de una misma población y del mismo tamaño es
aproximadamente normal y que esta aproximación mejora a medida que se
incrementa el tamaño de la muestra; dando pie al estudio de la distribución
muestral para la media y para la proporción y a la elaboración de “intervalos de
confianza”.
Con todo lo analizado hasta aquí, podemos ir observando que la estadística nos
ofrece la oportunidad de analizar el comportamiento de una población utilizando
diferentes herramientas tales como las distribuciones relacionadas con la normal
entre otras, además de diferentes teorías tales como la del muestreo y la de la
estimación estadística, con lo cual, los tomadores de decisiones pueden aunar
estos conocimientos a su experiencia en el medio en el que se estén
desenvolviendo y en consecuencia tomar decisiones más certeras que cada vez
más necesarias en un mundo globalizado como el nuestro.
BIBLIOGRAFIA:

Levin, Richard I. y Rubin, David S. (1996). Estadística para administradores.

México: Alfaomega.

Walpole, Myers, Myers. (2012). Probabilidad y estadística para ingnieria y ciencias.

México: Pearson.

Manuel Córdova Zamora. (2003). Estadística descriptiva e inferencial.

Lima. Perú: MOSHERA S.R.L.

Hanke, John E. y Reitsch, Arthur G. (1997). Estadística para Negocios. México:

Prentice Hall