DISTRIBUCIONES MUESTRALES

Prof. Willer David Chanduvi Puicn

ENEI

Algn da el conocimiento estadstico ser tan necesario para ser un buen y

eficiente ciudadano, como lo es saber leer
H.G. Wells
INTRODUCCIN
Hasta aqu se ha desarrollado el concepto de probabilidad y sus distribuciones
asociadas, ahora utilizando aquella base se comenzar con el enfoque de la forma en
que los estadsticos de la muestra se pueden utilizar para hacer inferencias sobre los
parmetros de la poblacin.
Es necesario darse cuenta de que el investigador estadstico, a travs de los datos
recolectados en una encuesta, se interesa en sacar conclusiones de la poblacin y no de
la muestra. Por ejemplo, un encuestador poltico se interesa en los resultados de la
muestra solo como medio para estimar la proporcin real de votos que recibir cada
candidato entre la poblacin de votantes.
En la prctica, una muestra individual de tamao determinado se selecciona
aleatoriamente entre la poblacin. Las unidades muestrales se van a obtener mediante,
por ejemplo, una tabla de nmeros aleatorios. A fin de poder utilizar la media de la
muestra para estimar la media de la poblacin se deberan examinar todas las muestras
posibles de la poblacin y calcular una media para cada muestra. La distribucin de
estos resultados se denomina distribucin en el muestreo, en la prctica con la seleccin
de una muestra, y utilizando la teora de la probabilidad, se hacen inferencias a la
poblacin.
La inferencia estadstica es uno de los objetivos de la investigacin estadstica. La
inferencia se hace utilizando estadsticos de la muestra; los estadsticos son
mediciones que se realizan en la muestra para estimar las mismas mediciones de la
poblacin que se denominan parmetros.
El investigador estadstico, a travs de las medidas que obtiene de una muestra, busca
sacar conclusiones respecto de la poblacin y no respecto de la muestra.
En la siguiente tabla se observa la relacin entre estadsticos y parmetros.

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

En la prctica, una muestra individual de tamao determinado se selecciona

aleatoriamente entre la poblacin. Las unidades muestrales se obtienen mediante, por
ejemplo, una tabla de nmeros aleatorios. En el caso hipottico, a fin de poder utilizar la
media de la muestra para estimar la media de la poblacin se deben examinar todas las
muestras posibles de la poblacin y calcular una media para cada muestra. La
distribucin de estos resultados se denomina distribucin en el muestreo.
Aunque en la prctica se ha seleccionado solo una muestra, se debe examinar el
concepto de la distribucin en el muestreo, con el propsito de poder utilizar la teora de
la probabilidad para hacer inferencias en cuanto a los valores de la poblacin.
En este mdulo se estudiarn las distribuciones en el muestreo sin estudiar
especficamente como se obtiene una muestra aleatoria, tema que ser abordado ms
adelante.

DISTRIBUCIONES MUESTRALES
Como ya sabemos un estadstico es una propiedad muestral cuyo valor cambia de
muestra a muestra, por lo cual se comporta como una variable aleatoria. En
consecuencia, debe existir un modelo o funcin de probabilidad que describa su
distribucin de probabilidades, la cual se denomina distribucin muestral. La
importancia de conocer y comprender las distribuciones muestrales resulta del valor que
ellas tienen para la inferencia estadstica. En esta primera parte, solo nos interesa
conocer las principales distribuciones y familiarizarnos con sus propiedades.

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

DEFINICIN
Se define la distribucin muestral de un estadstico (distribucin de muestreo) en una
poblacin, como la distribucin de probabilidad de todos los posibles valores que un
estadstico puede asumir para cierto tamao de la muestra. Especficamente, se trabajar
con las distribuciones muestrales para: medias, proporciones y varianzas.
Una distribucin muestral es una distribucin de probabilidad de un estadstico muestral
calculado a partir de todas las muestras posibles de tamao

n , elegidas al azar en una

poblacin determinada. Si la poblacin es infinita, tenemos que concebir la distribucin

muestral como una distribucin muestral terica, ya que es imposible sacar todas las
muestras aleatorias posibles de tamao

de una poblacin infinita. Si la poblacin

es finita y moderada se puede construir una distribucin muestral experimental, sacando

todas las muestras posibles de un tamao dado, calculando para cada muestra el valor
del estadstico que nos interesa.
EJEMPLO
Supongamos que se tiene una poblacin de tamao

N=10

reemplazamiento todas las muestras posibles de tamao

relacin

, es decir, 10

y queremos extraer con

n=5 , para esto se utiliza la

= 100000 muestras de tamao n=5 .

En cambio, si el muestreo es sin reemplazamiento, el nmero de muestras de tamao

N=5

Viene dado por la combinatoria:

N!
10 !
=
=252 muestras
( Nn )= n ! ( Nn
) ! 5 ! ( 105 ) !
Por lo que considerando este caso, la distribucin muestral para un estadstico

determinado, por ejemplo, la media X viene dado por:

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

muestra 1 X 1
muestra 2 X 2

252
muestra 252 X

A esto se le llama distribucin muestral de las medias.

Se puede hacer una aproximacin experimental de distribuciones muestrales basadas en

poblaciones infinitas o finitas grandes, sacando un nmero de muestras aleatorias y
siguiendo el mismo procedimiento anterior.
a. DISTRIBUCIN MUESTRAL DE MEDIAS
Es la distribucin de probabilidad de todas las medias posibles de las muestras,
para un tamao

determinado. Esta distribucin de probabilidad tiene

asociados (parmetros) tales como la media

y desviacin estndar

Para calcular, estos parmetros de la distribucin muestral de medias se utilizan

las siguientes relaciones:

x =

Para poblaciones finitas:

x =

Para poblaciones infinitas:

x =

N n
N 1

La expresin anterior es la desviacin estndar de la distribucin muestral de

medias, se le llama error tpico o error estndar de la media y nos indica la
diferencia promedio entre los diversos valores de

. Como se

observa, a medida que el tamao de la muestra aumenta este error disminuye, las
diversas medias muestrales se hacen ms uniforme en su valor, y en
4

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

consecuencia, cualquier media muestral es una buena estimacin de la media

poblacional

Construccin.
Obtener todas las muestras posibles de tamao n de la poblacin de
tamao N.
Para cada muestra se calcula la media.
Se construye la distribucin de probabilidad para los valores de las
medias.
Se calcula la media y la desviacin estndar de la distribucin de
probabilidad.
Se construye la grfica de la distribucin de probabilidad.
Ejemplo:
Una poblacin est formada por los siguientes valores: 12, 6, 7, 10, 8, 11, 9, 13.
Describir la distribucin muestral de la media, al tomar todas las muestras de
tamao 3 sin reemplazo.
Para determinar todas las muestras necesitamos primero saber el nmero de
muestras posibles: Si el muestreo es sin reemplazo el nmero de muestras est
dado por:

Cn =

N!
8!
8
=C 3=
=56
n ! ( N n ) !
3! ( 83 ) !

Ordenando los datos tenemos: 6, 7, 8, 9, 10, 11, 12, 13.

Luego todas las posibles muestras de tamao 3 as como sus respectivas medias
son:

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

Tomando como base las medias de las muestras podemos ahora construir la
siguiente distribucin de probabilidad:

Calculemos ahora la media y la desviacin estndar de la distribucin muestral

de la media. As tenemos que la media es igual a:
x =19/2
La varianza de la distribucin es:

2x =

183 19
5

=
2
2
4

( )

Y la desviacin estndar es:

x =

5 5
=
4 2

Tomando como base la distribucin de probabilidad para la media construimos

la grfica de la distribucin muestral de la media. La grfica de la distribucin
muestral de la media es:

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

Como se puede observar, la grfica tiene una forma semejante (aproximada) a

una distribucin normal.
Si este problema lo intentamos resolver cuando el muestreo es con reemplazo,
entonces tendremos que el nmero de muestras a extraer ser de

N n , y por

3
tanto, para nuestro ejemplo el nmero de muestras sera de 8 =512.

Ejemplo:
Sea una poblacin de 10 vendedores de una compaa. La variable de inters X
es la antigedad (medida en aos cumplidos)
X ={ 1,2,3,4,5,6,7,8,9,10 }

Podemos calcular los siguientes parmetros:

x i = 55 =5,5
N

10

( x i )
=
=8,25
2

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

1. Extraemos todas las posibles muestras. Supongamos n=2 (100 muestras).

2. Calculamos la media para cada una de esas muestras.
3. Listar los valores diferentes del estadstico y sus frecuencias.

Calculamos la media de la distribucin muestral con reemplazo:

x =

x i =5,5
Nn

Calculando la varianza de la distribucin muestral:

2
x

( x i x ) 412,5
=
=4,125

2x =

Nn

100

2 8,25
=
=4,125
n
2

A la expresin:

se le conoce como Error Estndar de la Media.

Nota:
Cuando el muestreo se extrae de una poblacin distribuida normalmente, la
distribucin muestral de la media muestral tiene lkas siguientes propiedades:
1. La distribucin de la media es normal, independientemente del tamao
de la muestra.
2. La media de la distribucin de las medias es igual a la media de la
poblacin.
8

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

3. La varianza de la distribucin de las medias es igual a la varianza de la

poblacin, dividida entre n.

Teorema del Lmite Central

La primera versin de este teorema fue propuesta por DeMoivre en 1733 para el
caso especial donde las variables aleatorias eran de un ensayo de Bernoulli con
p=1/2 . Esta fue subsecuentemente extendida por Laplace al caso de

probabilidad arbitraria. Laplace tambin descubri la manera ms general de

escribir el teorema. Su demostracin, sin embargo, no era completamente
rigurosa y, de hecho, no puede hacerse rigurosa fcilmente. Una demostracin
completamente rigurosa del teorema del lmite central fu presentada por
primera vez por el matemtico ruso Liapounoff en el periodo de 1901-1902.
Supongamos que se tiene una variable de la cual se conoce la media y la
varianza, pero no la forma de su distribucin. Esto impide la aplicacin de la
propiedad reproductiva y consecuentemente la deduccin de los parmetros que
caracterizan la distribucin de las medias muestrales. Sin embargo, se puede
recurrir a otra propiedad de la distribucin normal conocida como el Teorema
del Lmite Central.
Este teorema es un principio fundamental de la teora del muestreo y establece
que a medida que crece el tamao

de todas las posibles muestras que se

pueden extraer de una poblacin de tamao N, que tiene como media

desviacin estndar

, la distribucin muestral de las medias se aproxima a

una distribucin normal, con media y desviacin estndar

n
9

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

De la interpretacin de este Teorema, se pueden deducir las siguientes

conclusiones:
1. A medida que aumenta el tamao de las muestras, la distribucin de las
medias de la muestra se acerca a una distribucin normal.
2. La media de la distribucin muestral de la media ser igual a la media de la
poblacin .
3. La desviacin estndar de las medias de la muestra ser:

x =

4. Puesto que la distribucin muestral de las medias de las muestras de tamao

n, se aproxima a una distribucin normal, la probabilidad de que la media
x

de una muestra cualquiera cumpla esa condicin, viene dada por el rea

bajo la curva normal estndar, encontrndose el valor de z correspondiente a

x por medio de la expresin:
x x
z=
x
5. Al hacer un muestreo sin reemplazo, si el tamao de la muestra

es

mayor al 5% del tamao de la poblacin finita se debe de ajustar la

desviacin estndar de las medias de la muestra multiplicndola por el factor
de correccin para poblaciones finitas:

x =

N n
N 1

Reglas prcticas de uso comn:

1. Para muestras de tamao

mayores que 30

( n>30 ) , la distribucin

muestral de la media se puede aproximar razonablemente bien con una

distribucin normal. La aproximacin es ms exacta a medida que
aumenta el tamao de la muestra n .
2. Si la poblacin original tambin est distribuida normalmente, las medias
de las muestras tendrn una distribucin normal para cualquier tamao de
muestra n .
10

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

Por lo tanto, si se desconoce la distribucin de una variable se puede suponer

que aumentando el tamao de la muestra, la distribucin de la media muestral se
aproximar progresivamente a una normal. En la prctica, se considera que una
n 30 es lo suficientemente grande para que se cumpla el

muestra de tamao
teorema.

El Teorema de Lmite Central permite establecer que, en condiciones muy

generales, si la muestra es lo suficientemente grande, la distribucin terica de
los valores obtenidos es aproximadamente normal.
Verifiquemos con el teorema los resultados obtenidos en la distribucin muestral
de la media, del primer ejemplo:
=

19
2
2=

21
21
=
4
2

Utilizando el teorema del lmite central tenemos que la media de la distribucin

muestral de la media es:
x ==19/2

x =

21

N n
2
=
n N 1 3

83 1 21 ( 5 ) 5
=
=
81 2 3 ( 7 )
2

Como podemos observar los valores obtenidos en forma manual coinciden con
los obtenidos con el Teorema de lmite Central. Con esto verificamos o
comprobamos la efectividad de dicho teorema.
Con esto podemos concluir que conociendo la media y la varianza de la
poblacin, podemos calcular la media y la varianza de la distribucin muestral
de las medias, sin necesidad de generar la distribucin muestral, haciendo uso
del Teorema de lmite Central. Adems sin importar la manera de cmo se
distribuya la poblacin, la distribucin de probabilidad de las medias muestrales,

11

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

ser siempre parecida a la distribucin normal si el tamao de la muestra es

suficientemente grande ( n 30 ) .

Ejemplo
La vida promedio de cierta herramienta es de 41.5 horas, con una desviacin
estndar de 2.5 horas. Cul es la probabilidad de que una muestra aleatoria de
tamao 50 extrada de esta poblacin tenga una media entre 40?5 y 42 horas?
P ( 49.5 x 42 )=P (2,86 x 1,43 )=0,9215

b. Distribucin de la diferencia de medias muestrales.

Muchas veces es necesario estudiar dos poblaciones de una misma variable.
Supongamos que la variable se distribuye normalmente en ambas poblaciones y
que de cada una se extrae independientemente una muestra aleatoria con
n1

tamaos

n2

respectivamente, y que adems se calcula la media de las

dos muestras. A partir de estas dos medias muestrales es posible generar nuevas
variables que relacionen las dos poblaciones. Por ejemplo, se pueden sumar,
restar, multiplicar o dividir los valores de las dos medias muestrales y originar
otras variables cuyos valores estarn representados por el resultado de las
operaciones realizadas. De estas nuevas variables, la ms conveniente para la
inferencia estadstica es la diferencia de medias muestrales debido que se
conocen las propiedades de su distribucin de frecuencia. Cuando el muestreo de
una variable se hace a partir de poblaciones que se distribuyen normalmente, la
diferencia de medias muestrales es una nueva variable que de acuerdo con la
propiedad reproductiva tambin se distribuye normalmente con media y varianza
igual a:
( x x )= x x =x x
2

12

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn
2

2
( x 2 x 1 )

ENEI
2

x x
= + = +
n 2 n1
2
x 2

2
x 1

Conocido el modelo de probabilidad que describe la distribucin de la diferencia

de medias muestrales, se puede calcular la probabilidad de ocurrencia de un
determinado valor de la diferencia de medias muestrales, utilizando la
transformacin de Z

( x 2x 1 )

( x 2x 1 )
z=

( x2 x )
1

2
x2

2
x1

+
n2 n1
( x 2 x )
1

+
( x 2x 1 )( x x )
2
x2

2
x 1

( x x )
2

Ejemplo:
Una muestra de tamao 5 se obtiene aleatoriamente en una poblacin de una
variable normalmente distribuida con media igual a 50 y varianza igual a 9 y se
registra la media muestral. Otra muestra aleatoria de tamao 4 se selecciona en
una segunda poblacin de la misma variable cuya media es igual a 40 y su
varianza igual a 4. Encuentre la probabilidad de que el valor de la diferencia de
las medias muestrales sea menor a 8,2.
Solucin:
Por la propiedad reproductiva de la distribucin normal sabemos que

( X 2 X 1 )

se distribuye normalmente con una media y una varianza igual a:

( x x )= x x =5040=10
2

2
( x 2 x 1 )

2x 2x 9 4 14
= + = + = =2,8
n2 n1 5 4 5
2

13

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

z=

ENEI

( x2 x1 ) ( x x ) 8,210 1,8
=
=
=1,08
( x x )
2,8 1,6733
2

Por lo tanto la probabilidad buscada es:

1 8,2 ) =P ( Z 1,08 )=0,1401
P ( X 2 X

c. Distribucin muestral de Proporciones.

Cuando el estadstico obtenido en cada muestra es launa zona prefieren los
productos de su empresa. A proporcin de ocurrencia de un suceso dado, se trata
de una distribucin de proporciones. Por ejemplo un investigador de mercados
puede estar interesado en conocer la proporcin de consumidores de alguna zona
prefieren los productos de su empresa. A un candidato a algn puesto poltico le
gustara conocer la proporcin de votantes que van a votar por l, en las
prximas elecciones.
Supongamos que tenemos una variable nominal dicotmica, es decir, tenemos
una poblacin donde cada elemento puede ser clasificado como un xito o un
fracaso. Si el tamao de una poblacin finita es
k

xitos, habr

( Nk )

y en esa poblacin hay

fracasos. La proporcin de la poblacin

define simplemente como la proporcin de xitos:

, se

k
N

Si de esta poblacin se selecciona una muestra de tamao n, la variable X

indicar el nmero de xitos en la muestra. La proporcin de xitos que se

obtienen en la muestra ser:

p=

x
n

Dado que la proporcin es una variable aleatoria esperamos tambin que la

distribucin muestral de proporciones muestrales debe presentar caractersticas
similares a la distribucin muestral de medias.

14

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

Para describir la distribucin muestral de la proporcin, es necesario seguir los

siguientes pasos:
Obtener todas las muestras posibles de tamao n de la poblacin de
tamao N.
Para cada muestra se calcula la proporcin de la caracterstica de inters.
Se construye la distribucin de probabilidad para los valores de la
proporcin.}
Se calcula la media y la desviacin estndar de la distribucin de
probabilidad.
Se construye la grfica de la distribucin de probabilidad.
Ejemplo:
Una poblacin est formada por 4 hombres y 3 mujeres. Describir la distribucin
muestral de la proporcin de hombres, al tomar todas las muestras de tamao 3
sin reemplazo.
Para determinar todas las muestras necesitamos primero saber el nmero
de muestras posibles. Si el muestreo es sin reemplazo el nmero de
muestras posibles est dado por:
N!
N
Cn =
n ! ( N n ) !
Para este ejemplo tenemos:
7!
7
C3 =
=35
3 ! ( 73 ) !
Luego todas las muestras de tamao 3 as como sus respectivas
proporciones de hombres son:

Tomando como base las proporciones de hombres en las muestras

podemos ahora construir la siguiente distribucin de probabilidad:

15

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

Luego tenemos que la media de las proporciones es igual a

varianza de la distribucin de proporciones es:

2p =

4
7

p=

8
4 2 8

=
21 7
147

()

, la

8
la desviacin estndar es p = 147
Tomando como base la distribucin de probabilidad para la media
construimos la grfica de la distribucin muestral de la proporcin

Observamos que la grfica tiene una forma algo parecida a una

distribucin normal y esta aproximacin ser cada vez mejor a medida
que aumente el tamao de la muestra.
Teorema de Lmite Central:
Dada la variable X con distribucin binomial con parmetro

. Se

selecciona muestras aleatorias de tamao n de esa poblacin, se

concluir:
1. A medida que aumenta el tamao de las muestras, la distribucin de
las proporciones de muestra p se acercar a una distribucin normal.
2. La media de la distribucin muestral de la proporcin ser igual a la
proporcin de la poblacin . Esto es:

p=

16

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

3. La desviacin estndar de las proporciones de muestra ser:

p=

(1 )
n

4. Puesto que la distribucin muestral de las proporciones de las

muestras de tamao n se aproxima a una distribucin normal, la
probabilidad de que la media p de una muestra cualquiera cumpla
esta condicin, viene dada por el rea bajo la curva normal estndar,
encontrndose el valor de z correspondiente a p por medio de la
expresin:
z=

p p
.
p

5. Al hacer un muestreo sin reemplazo, si el tamao de la muestra n es

mayor al 5% del tamao de la poblacin finita se debe de ajustar la
desviacin estndar de las medias de la muestra multiplicada por el
factor de correccin para poblaciones finitas:
p=

(1 ) N n
n
N 1

REGLA PRCTICAS DE USO COMN:

np>5

proporcin

se

Para muestras de tamao n con

distribucin

muestral

de

la

np ( 1 p ) >5
puede

la

aproximar

razonablemente bien con una distribucin normal. La aproximacin es

ms exacta a medida que aumenta el tamao de la muestra n.
En resumen se tiene que: si de una poblacin distribuida binomialmente
con probabilidad de xito
n

p se extrae una muestra aleatoria de tamao

entonces se puede verificar que la media de la variable aleatoria

nmero de xitos en la muestra es

2

=npq

=np

y que su varianza es

En consecuencia la proporcin muestral

tiene una

17

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

media

ENEI

y varianza

pq
n . Entonces por el Teorema de Lmite

Central, cuando n es grande se tiene:

z=

Xnp ^ p
=
npq
pq
n

Aproximacin Normal a la Binomial

Si X es una variable aleatoria binomial con parmetros

nyp

entonces:
k 5np
k +5np
<Z <
)
npq
npq

P ( X=k ) P ( k5< X <k +5 )=P(

P ( a< X <b )=P ( a+5< X <b5 )=P(

P ( a X b ) =P ( a5< Xb+ 5 )=P(

a+5np
b5np
< Z<
)
npq
npq

a5np
b+5np
<Z <
)
npq
npq

Ejemplo:
Segn reportes del centro nacional para estadsticas de salud, alrededor
del 20 % de la poblacin masculina adulta de los Estados Unidos es
obesa. Se elige al azar una muestra de 150 hombres adultos en los
Estados Unidos. Cul es la probabilidad de que:
a. Haya a lo ms 25 personas obesas?
b. Haya ms de 22 pero menos de 35 obesos?
c. Haya por lo menos un 25% de obesos en la muestra?
Solucin.
Sea X el nmero de personas obesas en la muestra.
Usando aproximacin normal a la Binomial se tiene que:

18

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

P ( X 25 ) P ( X < 25.5 )=P Z <

a.

25.530
=P ( Z<0.91 )=0.1814
24

P (22< X <35 ) P ( 22.5< X <34.5 )=P(

b.

22.530
34.530
< Z<
)
24
24

P (1.53< Z< 0,91 )=0,81860,0063=0,8123

c.

P ( ^ 25 )=P ( X 37,5 )=P Z>

37,530
=P ( Z> 1.53 )=1P ( Z<1.53 )=0,0630
24

d. La Cuasi varianza muestral y su distribucin

Definicin:
x1 , x2 , , xn
Sea

poblacional

una muestra aleatoria simple de una poblacin, con media

y varianza poblacional

Se define la cuasivarianza

muestra como:
s 2=

1
( x x )2
n1 i=1 i

Ahora bien, independientemente de cual sea la distribucin de la variable aleatoria se

tiene:
E ( s 2 )= 2
Observacin:

La distribucin del estadstico cuasi varianza muestral est centrada en la

2
varianza poblacional .

Una cuasi varianza muestral particular s

particular) puede ser mayor o menor que

(obtenida a partir de una muestra

, sin embargo, en media, la

cuasi varianza muestral estar cerca de la varianza poblacional.

19

DISTRIBUCIONES MUESTRALES
Prof. Willer David Chanduvi Puicn

ENEI

El valor de la varianza de

si depende del tipo de distribucin que estemos

considerando. Nosotros la obtendremos slo para el caso en el que la distribucin de

origen sea normal.
Ejemplo
Un economista opina que el incremento anual (en porcentaje) del salario de los
trabajadores de un banco sigue una distribucin normal con desviacin tpica 3.37. Se
toma una muestra aleatoria simple de 16 trabajadores del banco. Si la hiptesis del
economista es cierta, calcula la probabilidad de que la cuasi-desviacin tpica sea
mayor que 2.89.
Solucin:
X :incremento salarial anual (en%)

X N ( , 3,372)
Por propiedad se cumple que:
X i N ( ,3,37 2)

Adems:

n1 2 2
15 2 2
s x n1
s x15
2

3,372
2

P ( s> 2,89 )=P ( s >2,89 )=P(

15 2 15
2
s>
2,89 )
2
2
3,37
3,37

Se sabe que: W x n1 luego tenemos:

P(W >11,02) 0,75

20