DISTRIBUCIONES DE PROBABILIDAD CONTINUAS

Distribuciones de Probabilidad de una variable aleatoria contina

Variable aleatoria continua (x): Se le denomina variable porque puede tomar diferentes
valores, aleatoria, porque los valores que toma son totalmente al azar y continua porque puede
tomar tanto valores enteros como fraccionarios y un nmero infinito de ellos.
Ejemplos:
xVariable que nos define el dimetro de un engrane en pulgadas x5.0,
4.99, 4.98, 5.0, 5.01, 5.0, 4.96
xVariable que nos define la longitud de un cable o circuito utilizado en un arns de auto
x20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
xVariable que nos define la concentracin en gramos de plata de algunas muestras de
mineral
x14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8
Como se observa en los ejemplos anteriores, una variable continua puede tomar cualquier
valor, entero o fraccionario, una forma de distinguir cuando se trata de una variable contina es
que esta variable nos permite medirla o evaluarla.
MEDIA VARIANZA DE UNA VARIABLE ALEATORIA CONTINUA

La Distribucin Normal
La distribucin normal fue reconocida por primera vez por el francs Abraham de Moivre (16671754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y
formul la ecuacin de la curva; de ah que tambin se la conozca, ms comnmente, como la
"campana de Gauss". La distribucin de una variable normal est completamente determinada
por dos parmetros, su media y su desviacin estndar, denotadas generalmente por

Con esta notacin, la densidad de la normal

viene dada por la ecuacin:
Ecuacin 1:

Que determina la curva en forma de campana que tambin conocemos (Figura 2). As, se dice
que una caracterstica

sigue una distribucin normal de media

y varianza

, y se denota

como

, si su funcin de densidad viene dada por la Ecuacin 1.

Al igual que ocurra con un histograma, en el que el rea de cada rectngulo es proporcional al
nmero de datos en el rango de valores correspondiente si, tal y como se muestra en la Figura
2, en el eje horizontal se levantan perpendiculares en dos puntos A y B, el rea bajo la curva
delimitada por esas lneas indica la probabilidad de que la variable de inters, X, tome un valor
cualquiera en ese intervalo. Puesto que la curva alcanza su mayor altura en torno a la media,
mientras que sus "ramas" se extienden asintticamente hacia los ejes, cuando una variable
siga una distribucin normal, ser mucho ms probable observar un dato cercano al valor
medio que uno que se encuentre muy alejado de ste.
Propiedades de la distribucin normal:
La distribucin normal posee ciertas propiedades importantes que conviene destacar:

i.

Tiene una nica moda, que coincide con su media y su mediana.

ii.

La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor entre
y

es tericamente posible. El rea total bajo la curva es, por tanto, igual

a 1.

iii.

Es simtrica con respecto a su media

. Segn esto, para este tipo de variables

existe una probabilidad de un 50% de observar un dato mayor que la media, y un

50% de observar un dato menor.

iv.

La distancia entre la lnea trazada en la media y el punto de inflexin de la curva

es igual a una desviacin tpica (
la curva de la densidad.

). Cuanto mayor sea

, ms aplanada ser

v.

El rea bajo la curva comprendida entre los valores situados aproximadamente a

dos desviaciones estndar de la media es igual a 0.95. En concreto, existe un
95% de posibilidades de observar un valor comprendido en el intervalo
.

vi.

La forma de la campana de Gauss depende de los parmetros

(Figura 3).

La media indica la posicin de la campana, de modo que para diferentes valores

de
la grfica es desplazada a lo largo del eje horizontal. Por otra parte, la
desviacin estndar determina el grado de apuntamiento de la curva. Cuanto
mayor sea el valor de

, ms se dispersarn los datos en torno a la media y la

curva ser ms plana. Un valor pequeo de este parmetro indica, por tanto, una
gran probabilidad de obtener datos cercanos al valor medio de la distribucin.
Como se deduce de este ltimo apartado, no existe una nica distribucin normal, sino una
familia de distribuciones con una forma comn, diferenciadas por los valores de su media y su
varianza. De entre todas ellas, la ms utilizada es la distribucin normal estndar, que
corresponde a una distribucin de media 0 y varianza 1. As, la expresin que define su
densidad se puede obtener de la Ecuacin 1, resultando:

Es importante conocer que, a partir de cualquier variable X que siga una distribucin
se puede obtener otra caracterstica Z con

una distribucin normal estndar, sin ms que efectuar la transformacin:

Ecuacin 2:

Esta propiedad resulta especialmente interesante en la prctica, ya

que para una distribucin

existen tablas publicadas (Tabla 1) a partir de las que se

puede obtener de modo sencillo la probabilidad de observar un dato menor o igual a un cierto
valor z, y que permitirn resolver preguntas de probabilidad acerca del comportamiento de
variables de las que se sabe o se asume que siguen una distribucin aproximadamente
normal.
Consideremos, por ejemplo, el siguiente problema: supongamos que se sabe que el peso de
los sujetos de una determinada poblacin sigue una distribucin aproximadamente normal, con
una media de 80 Kg y una desviacin estndar de 10 Kg. Podremos saber cul es la
probabilidad de que una persona, elegida al azar, tenga un peso superior a 100 Kg?
Denotando por X a la variable que representa el peso de los

individuos en esa poblacin, sta sigue una distribucin

. Si su distribucin fuese la de

una normal estndar podramos utilizar la Tabla 1 para calcular la probabilidad que nos
interesa. Como ste no es el caso, resultar entonces til transformar esta caracterstica segn
la Ecuacin 2, y obtener la variable:

para poder utilizar dicha tabla. As, la probabilidad que se desea calcular ser:

Como el rea total bajo la curva es igual a 1, se puede deducir que:

Esta ltima probabilidad puede ser fcilmente obtenida a partir de la

Tabla 1, resultando ser

. Por lo tanto, la probabilidad buscada de que una

persona elegida aleatoriamente de esa poblacin tenga un peso mayor de 100 Kg , es de 1

0.9772=0.0228, es decir, aproximadamente de un 2.3%.

De modo anlogo, podemos obtener la probabilidad de que el peso de un sujeto est entre 60 y
100 Kg:

De la Figura 2, tomando a=-2 y b=2, podemos deducir que:

Por el ejemplo previo, se sabe que

. Para la segunda probabilidad, sin

embargo, encontramos el problema de que las

tablas estndar no proporcionan el valor de

para valores negativos de la variable.

Sin embargo, haciendo uso de la simetra de la distribucin normal, se tiene que:

Finalmente, la probabilidad buscada de que una persona elegida al azar tenga un peso
entre 60 y 100 Kg., es de 0.9772-0.0228=0.9544, es decir, aproximadamente de un 95%.
Resulta interesante comprobar que se obtendra la misma conclusin recurriendo a la
propiedad (iii) de la distribucin normal.
No obstante, es fcil observar que este tipo de situaciones no corresponde a lo que
habitualmente nos encontramos en la prctica. Generalmente no se dispone de informacin
acerca de la distribucin terica de la poblacin, sino que ms bien el problema se plantea a la
inversa: a partir de una muestra extrada al azar de la poblacin que se desea estudiar, se
realizan una serie de mediciones y se desea extrapolar los resultados obtenidos a la poblacin
de origen. En un ejemplo similar al anterior, supongamos que se dispone del peso de n=100
individuos de esa misma poblacin, obtenindose una media

muestral de

Kg, y una desviacin estndar muestral

Kg, querramos extraer

alguna conclusin acerca del valor medio real de ese peso en la poblacin original. La solucin
a este tipo de cuestiones se basa en un resultado elemental de la teora estadstica, el llamado
teorema central del lmite. Dicho axioma viene a decirnos que las medias de muestras
aleatorias de cualquier variable siguen ellas mismas una distribucin normal con igual media
que la de la

poblacin y desviacin estndar la de la poblacin dividida por

. En nuestro caso,

podremos entonces considerar la media muestral

, con lo cual, a partir de la propiedad (iii) se conoce que aproximadamente
un 95% de los posibles valores de

caeran

dentro del intervalo

y

. Puesto que los valores de

son desconocidos, podramos pensar en aproximarlos por sus

anlogos muestrales, resultando

. Estaremos, por lo tanto, un 95% seguros de que el peso medio real en la poblacin de
origen oscila entre 75.6 Kg y 80.3 Kg. Aunque la teora

estadstica subyacente es mucho ms compleja, en lneas generales ste es el modo de

construir un intervalo de confianza para la media de una poblacin.
5.3. DISTRIBUCI DE PROBABILIDAD T-STUDE T
El resultado ofrecido en el teorema anterior nos proporciona la base del desarrollo de
procedimientos para hacer inferencias con respecto a la media de una poblacin normal con
una varianza 2 . En este caso el teorema 7.1 nos dice que

n Y /

tiene una distribucin normal estndar. Cuando se desconoce se

le

puede estimar mediante S S 2 y la expresin

Y
n
S

nos dar como base para el desarrollo de mtodos de inferencias con respecto a .

Demostraremos que la distribucin de probabilidad de

nY / S

esta dada

por una funcin de densidad de probabilidad conocida como distribucin t de Student con n 1
grados de libertad . La definicin general de una variable aleatoria que posee una distribucin t
de Student ( 0 simplemente distribucin t), es la siguiente:

DEFINICION: Sea Z una variable aleatoria normal estndar y sea

cuadrada con grados de libertad.
Entonces si Z y 2 son independientes,

una variable aleatoria ji -

Z
T

2 /

se dice que tiene una distribucin t con grados de libertad.

Si Y1, Y2, ..., Yn es una muestra aleatoria de una poblacin normal con media y
2
, se puede aplicar el teorema 7.1 para demostrar
varianza

Z n Y /

que

tiene una
distribucin normal estndar. El teorema
7.3 nos dice que
2
2
2
n 1S / tiene una distribucin con v n 1 grados de libertad y que
2

Zy

son independientes (ya que Yy 2 los son). Por lo tanto, por la definicin

2 7.2

nY
/

Z
T

2/
v

n 1S / n 1

n
S

tiene una distribucin t con (n-1) grados de libertad.

La ecuacin para la funcin de densidad t no se presentara aqu, pero se dan algunas

indicaciones para su obtencin en los ejercicios del final del capitulo. Como la funcin de
densidad normal estndar, la funcin de densidad t es simtrica con
respecto a cero, adems, para v> 1, E( T ) =0 y para v> 2, V ( T )
=
vemos que una variable aleatoria con una distribucin t tiene

v/ ( v - 2 ). As
el mismo valor

esperado que una variable normal estndar. Sin embargo, una variable aleatoria normal
estndar siempre tiene una varianza de 1, mientras que la varianza de una variable aleatoria
con una distribucin t siempre es mayor que 1.

En al figura 7.2 se muestran las grficas de una funcin de densidad normal estndar y
de una funcin de densidad t. Ntese que ambas funciones de densidad son simtricas con
respecto al origen, pero que la densidad t tiene mas masa probabilstica en las colas.
Normal
7
.
2

estndar

Una comparacin entre las funciones

de densidad normal estndar y t

valores de tales que P ( T > t ) = para =0.100,0.050,0.025,0.010 y 0.005

se dan en la tabla 5 del apndice III . Por ejemplo si una variable aleatoria tiene una distribucin
t con 21 grados de libertad (g.1.), t
21g.1. y en la columna con t

0.100 .

0.100

se encuentra al buscar en el rengln encabezado por

aplicando la tabla 5, vemos que t

0.100

= 1.323. Por lo tanto,

para 21g.1. la probabilidad de que una variable aleatoria con distribucin t sea mayor que 1.323
es 0.100.

5.4. DISTRIBUCI DE PROBABILIDAD TIPO GAMMA

Los tiempos que tardan en revisar un motor de un automvil avin tienen una
distribucin de frecuencias sesgadas. Las poblaciones asociadas a estas variables aleatorias
frecuentemente tienen distribuciones que se pueden modelar adecuadamente por la funcin de
densidad tipo gamma.

Funcin de densidad de probabilidad para una variable aleatoria tipo gamma:

, 0;0 y
1e y / f (y)

y
()

0
En donde:
() 0 y 1e y dy

La cantidad de la de la funcin alfa se conoce como la funcin gamma. La integracin

directa nos da que la funcin uno igual a uno. La integracin por partes nos da que la funcin de
alfa menos uno alfa menos uno por la funcin alfa menos uno

para cualquier intervalo de alfa mayor o igual a uno y que la funcin de n sea igual a n menos
uno factorial, para un nmero entero n.

En el caso especial cuando alfa es un nmero entero, se puede expresar la funcin de

distribucin de una variable aleatoria tipo gamma como una suma de ciertas variables aleatorias
de Poisson.

Si alfa no es un nmero entero, es imposible encontrar la antiderivada del integrando de

la expresin:

0cd
donde
y

1e y /

cd

() dy

Y por lo tanto es importante obtener las reas bajo la funcin de densidad tipo gamma
mediante integracin directa.

Hay dos casos especiales de las variables aleatorias tipo gamma que merece
consideracin particular:

Una variable aleatoria tipo gamma que tiene una funcin de densidad con parmetros
alfa igual a v entre dos y beta igual a dos se denomina variable aleatoria ji - cuadrada.

Ji - cuadrada se presenta con frecuencia en la teora de la estadstica. El parmetro v se

denomina nmero de grados de libertad asociado a la variable aleatoria ji - cuadrada.

La funcin de densidad gamma para el caso especial v = 1 se denomina funcin de

densidad exponencial.

 0;0 y

1 e y /
f (y)

0
En cualquier punto.

La funcin de densidad exponencial muchas veces es til en los modelos de duracin de

componentes elctricos.

Un fusible es un ejemplo de un componente para el cual este supuesto suele cumplirse.

5.5. DISTRIBUCI DE PROBABILIDAD TIPO BETA

La distribucin de probabilidad beta es una funcin de densidad con dos parmetros
definida en el intervalo cerrado 0 <= y <= 1. Se utiliza frecuentemente como modelo para
fracciones, tal como la proporcin de impurezas en un producto qumico o la fraccin de tiempo
que una maquina est en reparacin.

Funcin de densidad probabilidad:

, 0;0 y 1

f (y) {

y 1 (1 y) 1 B(, )

En cualquier otro punto donde

y 1 (1 y) 1 dy
B(, )

() ( )

( )

Ntese que la definicin de (y) sobre el intervalo 0<= y <= 1 restringe su aplicacin. Si c<= y <=
d, y = (y- c) / (d- c) definir una nueva variable en el intervalo 0<= y <= 1. As la funcin de
densidad beta se puede aplicar a una variable aleatoria definida en el intervalo c<= y <= d
mediante una traslacin y una medicin en la escala.

La funcin de distribucin acumulativa para la variable aleatoria beta se llama

comnmente funcin beta y esta dada por

y
1

(1 t) 1
dt

F(y)

(, )
y

B(, )

Para valores enteros de alfa y beta, Iy (alfa, beta) est relacionada con la funcin de
probabilidad binomial. Cuando y = p, se puede demostrar que

1
y
F( p)

1
(1 y)

n
dy p y (1 p)n
y

B(, )

En donde 0< p < 1 y n igual a alfa ms beta menos uno.

5.6. DISTRIBUCIN DE PROBABILIDAD TIPO C2 Y F

Supngase que deseamos comparar las varianzas de dos poblaciones normales

basados en la informacin contenida en muestras aleatorias independiente de las dos
poblaciones. Supngase que una muestra aleatoria contiene n1 variables aleatorias distribuidas
normalmente con una varianza comn 12 y que la otra muestra
aleatoria contiene n2 variables aleatorias distribuidas normalmente con una varianza comn 12
y que la otra muestra aleatoria contiene n2 variables aleatorias distribuidas normalmente con
una varianza comn 12 . Si calculamos S12 de las observaciones en la muestra 1, entonces S12
es una estimacin de 12 . De manera similar, S22 calculada a partir de las observaciones de la
segunda muestra es una estimacin para

. As intuitivamente podramos pensar en utilizar S12 / S22 para hacer inferencias con

respecto a las magnitudes relativas de 12 y

. Si dividimos cada Si2 por

2
i

, entonces la

razn siguiente
S

2 / 2
1 1

2
2

S2
1

2
1

2
S2

2 2
2 / 2

tiene una distribucin F con n1 1n

2 1 grados de libertad. La definicin general de una
distribucin F es como sigue:
grado
DEFINICION Sean 2 y 2 variables aleatorias ji - cuadrada con v y v s
1
2
1
2
de libertad. Respectivamente. Entonces si
2

y 2 son independientes,
1
2

2 / v

1 22 / v2

se dice que tiene una distribucin F con v1 grados de libertad del numerador y v2 grados de
libertad del denominador.

La funcin de densidad para variables aleatorias con la distribucin F es un miembro de

la familia de las distribuciones beta . Omitimos la formula para la densidad de una variable
aleatoria con la distribucin F , pero el mtodo para obtenerla se indica en los ejercicios al final
del capitulo.

DISTRIBUCION DE PROBABILIDAD I CUADRADA

Considerando nuevamente las muestras aleatorias independientes de distribuciones

normales, sabemos que

12 n1 1S12 /12 y22 n2 1S22 / 22

tienen distribuciones 2 independientes con

v1 n1 1yv2 n2 1

grados de libertad, respectivamente.

As la definicin 7.3 implica que

2 /v
1 1

n 1S 2/ 2n 1
1
1 1 1

S2/ 2
1 1

22 / v2

n 2 1S 22 / 22 n 2 1

S22 / 22

tiene una distribucin F con n1 1 grados de libertad del numerador y

grados de libertad del denominador.

n2 1

En al figura 7.3 se muestra la grfica de una tpica funcin de

F.

densidad

Los

valoras de F tales que PF F se dan en la tabla 7 del apndice III, para los valores de
0.100, 0.050, 0.025, 0.010 y 0.005. En la tabla 7 del apndice III, los encabezados de las
columnas corresponden a los grados de libertad del numerador, en tanto que los grados de
libertad del denominador se encuentran como los encabezados principales de los renglones.

Frente a los grados de libertad del denominador (los encabezados de los renglones), se
encuentran los valores de 0.100, 0.050, 0.025, 0.010 y 0.005. Por
ejemplo, si la variable F estudiada tiene 5 grados de libertad del numerador y 7
grados de libertad del denominador, F 0.100= 2.88, F 0.050= 3.97, F 0.025 = 5.29, F 0.010
= 7.46 y F 0.005 =9.52. luego la probabilidad de que una variable aleatoria con una distribucin F
con 5 grados de libertad del numerador y 7 grados de libertad del

denominador exceda de 7.46 es 0.01 . Lo correspondiente se afirma para los dems casos.

FIGURA 7.3

f u

Una tpica funcin de densidad

De probabilidad F

u
F

5.7. DISTRIBUCIN DE PROBABILIDAD WIEBULL

Devuelve la probabilidad de una variable aleatoria siguiendo una distribucin de Weibull. Esta
distribucin se aplica en los anlisis de fiabilidad, para establecer, por ejemplo, el periodo de
vida de un componente hasta que presenta una falla.

La ecuacin para la funcin de distribucin acumulada de Weibull es:

Fx,, 1 e x

La funcin de densidad de probabilidad es:

f x ,, x 1e x .

Cuando = 1 la distribucin de Weibull devuelve la distribucin exponencial

con:
1 .

5.8. TEOREMA DE COMBINACIN LINEAL DE VARIABLES ALEATORIAS Y TEOREMA

DEL LIMITE CENTRAL.

En ingeniera y ciencias se realizan muchos experimentos cuyo fin es desarrollar un modelo

matemtico que explique la relacin entre dos o ms variables. El objetivo es ser capaz de
predecir el valor de una de las variables, Y, dados valores especficos de las otras variables.
Las estimaciones de los parmetros del modelo son funciones lineales de los valores y de la
muestra observada.

Teorema de combinaciones lineales de variables aleatorias independientes

Sean y1, y2, ..., yn un conjunto de variables aleatorias normalmente distribuidas con
media E(y

) i y varianza V(yi ) i2 y Cov ( yi , yj ) 0 para ( i = 1, 2, .

. , n). Si
l a1y1 a2 y2 . . . . . an yn

en donde

1, a2

,......,a

son constantes. Entonces, la distribucin de muestreo de

una combinacin lineal de las variables

aleatorias normales tiene una funcin de densidad normal con media y varianza:

= E ( l ) = a11 a2 2 . . . . . . ann

 l2 V (l ) a12 12 a22 22 . . . . . . an2 n2

Para que esto sea vlido las Yi son independientes

Suponga que selecciona muestras aleatorias independientes de dos poblaciones normales, n1
observaciones de la poblacin 1 y n2 observaciones de la poblacin 2. Si
las medias y varianzas de las poblaciones 1 y 2 son

( , 2 ) y ( , 2 )
1 1
2 2 ,

son las medias de muestra correspondientes, obtenga

respectivamente, y si y 1 y y 2

la

distribucin de la diferencia (y 1 y 2 )

Solucin:

1. 1. Paso
Puesto que y1 y y2 son funciones lineales de variables aleatorias distribuidas normalmente, por
el teorema de combinaciones lineales tendrn una distribucin normal. Las medias y
varianzas de las medias de muestra son:

V (Y )
E(Y )
i

2
i
n

(i = 1, 2 )

2. 2. Paso
La funcin lineal es

l y

1 y2

3. 3. Paso
( l ) tendr una distribucin normal con

E(l) l E (y1) E(y2 ) 1 2

V (l)l2 (1)2 V (y1) (1)2 V (y2) 2(1)(1)Cov (y1 , y2 )

4. 4. Paso
Como las muestras se seleccionaron de forma independiente,
0

y1 y y2

son

independientes y

Cov(y

, y )

. Por tanto,

2
1

2
2

V (l)
1

5. 5. Paso Conclusin:

2
1

2
2

( ,
y y2
N
1

)
n
1

n2

El Teorema Central del Lmite dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribucin (cualquiera que ste sea),
la suma de ellas se distribuye segn una distribucin normal.
Ejemplo : la variable "tirar una moneda al aire" sigue la distribucin de Bernouilli. Si lanzamos la
moneda al aire 50 veces, la suma de estas 50 variables (cada una independiente entre si) se
distribuye segn una distribucin normal.

Este teorema se aplica tanto a suma de variables discretas como de variables continuas.
Los parmetros de la distribucin normal son:
Media : n * (media de la variable individual multiplicada por el nmero de variables
independientes)
Varianza : n * (varianza de la variable individual multiplicada por el nmero de variables
individuales)
Veamos ahora un ejemplo:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale cruz el valor 0.
Cada lanzamiento es una variable independiente que se distribuye segn el modelo de
Bernouilli, con media 0,5 y varianza 0,25. Calcular la probabilidad de que en estos 100
lanzamientos salgan ms de 60 caras.

La variable suma de estas 100 variables independientes se distribuye, por tanto, segn una
distribucin normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos la variable normal tipificada
equivalente:

(*) 5 es la raiz cuadrada de 25, o sea la desviacin tpica de esta distribucin

Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salgan ms de 60 caras es tan
slo del 2,28%.

5.9 Muestreo : Introduccin al muestreo y tipos de muestreo

Introduccin
En este documento ofrecemos un resumen sobre el concepto de muestreo, y los tipos de
muestreo existentes. Adems, se dispone de una hoja para el clculo de tamaos muestrales
en auditoras de Historias Clnicas en Excel. No pretendemos, ni mucho menos, ser
exhaustivos. Simplemente ofrecemos una pequea herramienta que pueda servir de apoyo en
la evaluacin de los distintos indicadores de calidad.

Concepto de muestreo
El muestreo es una herramienta de la investigacin cientfica. Su funcin bsica es determinar
que parte de una realidad en estudio (poblacin o universo) debe examinarse con la finalidad
de hacer inferencias sobre dicha poblacin. El error que se comete debido al hecho de que se
obtienen conclusiones sobre cierta realidad a partir de la observacin de slo una parte de ella,
se denomina error de muestreo. Obtener una muestra adecuada significa lograr una versin
simplificada de la poblacin, que reproduzca de algn modo sus rasgos bsicos.
Terminologa
Poblacin objeto: conjunto de individuos de los que se quiere obtener una informacin.
Unidades de muestreo: nmero de elementos de la poblacin, no solapados, que se van a
estudiar. Todo miembro de la poblacin pertenecer a una y slo una unidad de muestreo.
Unidades de anlisis: objeto o individuo del que hay que obtener la informacin.
Marco muestral: lista de unidades o elementos de muestreo.

Muestra: conjunto de unidades o elementos de anlisis sacados del marco.

Muestreo probabilstico
El mtodo otorga una probabilidad conocida de integrar la muestra a cada elemento de la
poblacin, y dicha probabilidad no es nula para ningn elemento.
Los mtodos de muestreo no probabilisticos no garantizan la representatividad de la muestra y
por lo tanto no permiten realizar estimaciones inferenciales sobre la poblacin.
(En algunas circunstancias los mtodos estadsticos y epidemiolgicos permiten resolver los
problemas de representatividad aun en situaciones de muestreo no probabilistico, por ejemplo
los estudios de caso-control, donde los casos no son seleccionados aleatoriamente de la
poblacin.)
Entre los mtodos de muestreo probabilsticos ms utilizados en investigacin encontramos:
Muestreo aleatorio simple
Muestreo estratificado
Muestreo sistemtico
Muestreo polietpico o por conglomerados
CARACTERISTICAS
VENTAJAS

INCONVENIENTES
Sencillo y de fcil
Aleatorio

Se selecciona una muestra

Requiere que se

comprensin.

posea de antemano
un listado completo

de tamao n de una
simple

poblacin de N unidades,

Clculo rpido de

de toda la

medias y varianzas.

poblacin.

cada elemento tiene

una probabilidad de inclusin igual y
conocida de
n/N.

Se basa en la teora

Cuando se trabaja

estadstica, y por tanto

con muestras

existen paquetes

pequeas es

informticos para

posible que no

analizar los datos

represente a la
poblacin
adecuadamente.

tendencia cono
Sistemtico Conseguir un listado de los N elementos de la

Elegir un nmero

Fcil

aleatorio, r, entre 1

de aplicar.

yk
asegura una

poblacin

cobertura de
No siempre es

unidades de

necesario tener un
(r=arr
Determinar tamao muestral n.

listado de toda la

anqu
e

poblacin.

aleat
Definir un intervalo k=N/n.

Cuando la

orio).
todos

poblacin est ordenada

los
siguiendo una

tipos.

Si la constante de
muestreo est
asociada con el
fenmeno de
inters, las
estimaciones
obtenidas a partir
de la muestra
pueden contener
sesgo de seleccin

Seleccionar los elementos de la lista.

Tiende a asegurar que la

Se ha de conocer la

muestra represente

distribucin en la

conveniente estratificar la muestra segn

adecuadamente a la

poblacin de las

ciertas variables de inters. Para ello

poblacin en funcin de

variables utilizadas

debemos conocer la composicin

unas variables

para la

estratificada de la poblacin objetivo a

seleccionadas.

estratificacin.

Estratificado En ciertas ocasiones resultar

muestrear. Una vez calculado el tamao

muestral apropiado, este se reparte de
manera proporcional entre los distintos

Se obtienen
estimaciones ms precisa

estratos definidos en la poblacin usando

una simple regla de tres.

Conglomerados Se realizan varias fases de

Su objetivo es conseguir
una muestra lo mas
semejante posible a la
poblacin en lo que a la
o las variables
estratificadoras se
refiere.
muestreo sucesivas

La necesidad de

(polietpico)

listados de las
unidades de una

etapa se limita a aquellas unidades de

Es muy eficiente cuando

El error estndar es

muestreo seleccionadas en la etapa

la poblacin es muy

mayor que en el

anterior.

grande y dispersa.

muestreo aleatorio
simple o

No es preciso tener un

estratificado.

listado de toda la
poblacin, slo de las

El clculo del

unidades primarias de

error estndar es

muestreo.

complejo.

Ventajas e inconvenientes de los distintos tipos de muestreo probabilstico

Clculo del tamao muestral

Cada estudio tiene un tamao muestral idneo, que permite comprobar lo que se pretende con
la seguridad y precisin fijadas por el investigador.
De que depende el tamao muestral ?
Variabilidad del parmetro a estimar: Datos previos, estudios piloto o usar 50% como peor
estimacin
Precisin: Amplitud del intervalo de confianza. Si se estima prevalencia su formato ser %
Nivel de confianza (1-): habitualmente 95% o 99%. Probabilidad complementaria al error
admitido

Si aumentamos el tamao muestral n , podremos mejorar la calidad de la estimacin bien

aumentando la precisin (disminuye amplitud del intervalo) o bien aumentando la seguridad
(disminuye el error admitido)

Clculo del tamao muestral en una auditora de Historias Clnicas

Se trata de una situacin especial, en la que se va a determinar la presencia o ausencia de un
determinado documento, por ejemplo (variable dicotmica). En este caso, hay que determinar
la proporcin esperada de la variable de inters, la precisin deseada, y el nivel de confianza.
Podemos aplicar las siguientes frmulas para el clculo del tamao muestral (si el muestreo es
aleatorio).
Si conocemos el tamao de la poblacin usaremos el mtodo para poblaciones finitas. Si por el
contrario el tamao de la poblacin es desconocido o infinito usaremos la otra alternativa. Hay
que tener en cuenta que una poblacin infinita puede corresponder a una finita (conocida) en la
que se ha definido un muestreo con reemplazamiento (el mismo individuo puede salir
muestreado varias veces)

Tamao de la poblacin infinito o desconocido

Tamao de la poblacin finito

Tamao muestral

Tamao de la poblacin, nmero total de historias.

Valor correspondiente a la distribucin de Gauss 1,96 para =0,05 y 2,58 para =0,01.

Prevalencia esperada del parmetro a evaluar. En caso de desconocerse,

aplicar la opcin ms desfavorable (p=0,5), que hace mayor el tamao
muestral.

1-p (Si p=30%, q=70%)

Error que se prev cometer. Por ejemplo, para un error del 10%, introduciremos en la
frmula el valor 0,1. As, con un error del 10%, si el parmetro estimado resulta del 80%,
tendramos una seguridad del 95% (para =0,05) de que el parmetro real se sita entre
el 70% y el 90%. Vemos, por tanto, que la amplitud total del intervalo es el doble del error

que introducimos en la frmula.

5.10 Teorema de limite central

El Teorema Central del Lmite dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribucin (cualquiera que ste
sea), la suma de ellas se distribuye segn una distribucin normal.
Ejemplo : la variable "tirar una moneda al aire" sigue la distribucin de Bernouilli. Si
lanzamos la moneda al aire 50 veces, la suma de estas 50 variables (cada una
independiente entre si) se distribuye segn una distribucin normal.
Este teorema se aplica tanto a suma de variables discretas como de variables continuas.
Los parmetros de la distribucin normal son:
Media : n * (media de la variable individual multiplicada por el nmero de variables
independientes)

Varianza : n * (varianza de la variable individual multiplicada por el nmero de variables

individuales
5.11. Distribucin central de la media
TEOREMA CENTRAL DEL LIMITE (DISTRIBUCIN DE LA MEDIA

Importancia: El teorema central del lmite (TCL) nos permite usar la distribucin normal como
la distribucin de las medias de muestras grandes, sin interesar cual sea la distribucin
original de las variables aleatorias.
Teorema. Sea X1, X2,...,Xn una muestra aleatoria de tamao n de variables independientes e
idnticamente distribuidas tomadas de una poblacin infinita, con
media y varianza , entonces la distribucin lmite de

es la distribucin normal estndar (0,1), cuando n , (independiente de la distribucin

de X1, X2,...,Xn).
Otra forma de presentar el TCL es la siguiente:
Si X1, X2,...,Xn es una muestra aleatoria de tamao n de variables independientes e
idnticamente distribuidas tomadas de una poblacin infinita, con media y varianza , y si
es la media muestral, entonces su distribucin muestral tiende a una distribucin normal con
media y varianza /n cuando n.

Ejemplo grfico

Con el fin de ilustrar grficamente el TCL presentaremos la distribucin de la media muestral

obtenida al lanzar dos dados, en comparacin con la distribucin individual de cada dado.
Si X representa el resultado obtenido al lanzar un dado, entonces su funcin de
probabilidad est dada por:

con la anterior representacin grfica.

Consideremos ahora el lanzamiento de dos dados. Sean X1 y X2 los respectivos resultados.
Sea la media respectiva. La tabla siguiente presenta su respectiva distribucin de probabilidad
(la cual haba sido analizada previamente al estudiar el concepto de variable aleatoria, y
considerar la suma de los dos dados).

Su representacin grfica se presenta en la figura siguiente.

Como se puede observar, el cambio en la forma de la distribucin es bastante notable, al

pasar de una distribucin completamente plana (uniforme discreta) a una distribucin que,
aunque no es normal, si tiende a

parecerse ms a una distribucin normal que a su distribucin original. Si continuamos

promediando ms variables, la distribucin resultante se aproximar an ms a una
distribucin. La siguiente grfica presenta los resultados al promediar cuatro lanzamientos de
la moneda.
Observacin importante:

Debe tenerse en cuenta que si n entonces la varianza de (= /n) tiende a

cero, lo cual implica a su vez que

. Lo que el TCL dice es que cuando eltamao muestral

es grande, la media de una muestra aleatoria tiende a seguir la distribucin normal. Cundo n
es lo suficientemente grande?. En general depende de la distribucin original de la variable
aleatoria X; sin embargo, para variables continuas y n 30, la aproximacin normal se aplica,
no importa cual sea la distribucin original. Para n< 30 la aproximacin es vlida segn la
forma de la distribucin original.
Si la distribucin original es continua y uniforme (por ejemplo el caso de los nmeros aleatorios
que van de cero a uno), para que el promedio tienda hacia una distribucin normal, se requieren
muestras de por lo menos 10 observaciones (esto se determinado mediante pruebas de bondad
de ajuste).

5.12. Distribucin muestral de diferencia de medias

Cada muestra de tamao n que podemos extraer de una poblacin proporciona una media. Si
consideramos cada una de estas medias como valores de una variable aleatoria podemos
estudiar su distribucin que llamaremos distribucin muestral de medias.

Si tenemos una poblacin normal (m,s) y extraemos de ella muestras de tamao n,

la distribucin muestral de medias sigue tambin una distribucin normal

Si la poblacin no sigue una distribucin normal pero n>30, aplicando el llamado

Teorema central del lmite la distribucin muestral de medias se aproxima
tambin a la normal anterior.

En muchos campos de la investigacin cientfica a menudo deseamos comparar las medias de

dos variables aleatorias, tales como el efecto de dos condiciones, tratamientos o mtodos de
produccin.
Supngase que ahora se tiene 2 poblaciones, la primera con media 1 y varianza 12 ,
segunda con media 2 y varianza el estadstico x1 representa la media de una muestra
aleatoria de tamao n1 seleccionada de la primera poblacin, y que el estadstico

x2

representa

la media de una muestra aleatoria seleccionada de una segunda poblacin, independiente de

la muestra de la primera poblacin. Qu puede decirse acerca de la
distribucin muestral de la diferencia x1 - x2 para muestras repetidas de tamaos
n1 y n2

? De acuerdo al teorema del limite central, las variables x1 y x2 son aproximadamente

distribuidos en forma normal con medias 1 y 2 y variancias

2
2
1 y 2

n2
n1
respectivamente. Esta aproximacin mejora conforme n1
incrementan.

y n2

se

Con lo anterior podemos concluir:

Si se sacan al azar muestras independientes de tamao n1 y n2 de dos poblaciones

continuas, con medias 1 y 2 y varianzas 12 y 22 , respectivamente, entonces la
distribucin muestral de la diferencia de medias x1 x2 est distribuida
aproximadamente en forma normal con media y varianzas:
2

x2 x 1
1 2
n
y
1

x 1
1 2

n
2

De aqu que,

(X1 X2 ) (1 2 )
Z

2
1

2
2

n1

n2

es aproximadamente una variable normal estndar.

5.13. Distribucin muestral de la proporcin

En numerosas ocasiones se plantea estimar una proporcin o porcentaje. En estos casos la
variable aleatoria toma solamente dos valores diferentes (xito o fracaso), es decir sigue una
distribucin binomial y cuando la extensin de la poblacin es
grande la distribucin binomial B(n,p) se aproxima a la normal

Para muestras de tamao n>30, la distribucin muestral de proporciones sigue una

distribucin normal

donde p es la proporcin de uno de los valores que presenta la variable estadstica en la

poblacin y q=1-p.

5.14.- Distribucin normal de la diferencia de las proporciones

DISTRIBUCIN DE LA DIFERENCIA ENTRE PROPORCIONES.

Sea

una muestra aleatoria (n1) tomada de un proceso de Bernoulli

con parmetro 1. Sea

una muestra aleatoria (n2) tomada de un proceso de

Bernoulli con parmetro 2. Estamos interesado en conocer la distribucin de la diferencia de

proporciones muestrales P1 - P2.

Sabemos que

se distribuye normalmente con una valor esperado

1 y una varianza

cuando n1 es grande. De forma similar

se distribuye normalmente con una valor esperado 2 y una

varianza

cuando n2 es grande.

Tenemos que:

Como tanto P1 como P2 se distribuyen normalmente, entonces su diferencia tambin se

distribuyen normalmente con los parmetros arriba mencionad os. Es decir,

tambin la variable aleatoria Z definida como

tiene una distribucin normal cuando n1 y n2 son grandes.

Si se desea verificar si las dos distribuciones son iguales, se tendra entonces que analizar si

1 = 2 , es decir, 1 - 2 = 0.
5.15. Distribucin muestral de la varianza

P(S2=s2)
Distribucin muestral de la

.42

Varianza
con
media

.5

.48

.1

(S ) y varianza Var(S )

P(S2 = s2 )
= 0) =
P(S2 P(1,1)
+ P(2,2) + P(3,3)
= 0.5*0.5+ 0.4*0.4 + 0.1*0.1 = 0.42
= 0.5) = P(1,2) +
P(S2 P(2,1)

+ P(2,3) + P(3,2)
= 0.5*0.4 + 0.4*0.5+ 0.4*0.1+ 0.1*0.4 =
0.48

P(S2 = 2) = P(1,3) + P(3,1)

= 0.5*0.1+ 0.1*0.5 = 0.10
Obtener la MEDIA de la Distribucin Muestral de la Varianza
(S 2 ) = s2 =
0*0.42 + 0.5*0.48 + 2*0.10 = 0.44 x2 = Var(x)
= 0.44
E(S 2 ) = s2 = 0.44
La media de la distribucin muestral de la varianza es igual a la varianza poblacional
La media de la distribucin muestral de la varianza es igual a la varianza poblacional
*0.48 + (2 0.44)2 *0.10 =
22 = Var ( S2 ) = (0 0.44)2 *0.42 + (0.5 0.44)2 0.32
S

3 n
n n ( n 1) 4

5.16.

DISTRIBUCIN DE LA MUESTRAL DE LA RELACIN DE

VARIANZAS

)=4 +Var(S

INTERVALOS DE CONFIANZA PARA LA RELACIN DE VARIANZAS DE DOS

DISTRIBUCIONES NORMALES
Se tienen dos poblaciones normales e independientes con varianzas desconocidas 1 y 2,
respectivamente. De este par de poblaciones se tienen disponibles dos muestras .aleatorias
de tamaos n1 y n2, respectivamente; sean S1 y S2 las varianzas muestrales respectivas.
Para hallar el intervalo de confianza del 100(1-)% para el cociente de dos varianzas sabemos
que la siguiente relacin tiene una distribucin muestral F con n1-1 y n2-1 grados de libertad:

Entonces, para construir el intervalo de confianza para la relacin de dos varianzas, nos
basamos en la siguiente probabilidad:

Si invertimos el trmino central de la desigualdad anterior, obtenemos lo siguiente:

Usando el hecho de que

obtenemos el siguiente intervalo de

confianza para la relacin de dos varianzas.

Teorema. Si

son las varianzas de muestras aleatorias independientes tomadas de

poblaciones normales, entonces un intervalo de confianza 100(1-)%

para el cociente de dos varianzas est dado por:

Bibliografa

PROBABILIDAD Y ESTADSTICA SPIEGEL, MURRAY

http://bochica.udea.edu.co/~bcalderon/4_relvarianzasnormale
s.html

Cannavos G. Probabilidad y Estadstica Aplicacin y mtodos. Ed. en espaol Mc

GRAW- HILL/INTERAMERICANA DE MEXICO.1995.

http://www.eumed.net/libros/2006a/rmss/a8.htm

Devore, J.L. (2000). Probabilidad y Estadstica para Ingeniera y Ciencias, Quinta

Edicin, Thomson Learning.

Mendenhall, W. (1998). Estadstica para Administradores, Segunda Edicin, Grupo

Editorial Iberoamrica.

Montgomery, D.C. y Runger G.C. (1996). Probabilidad y Estadstica Aplicadas a la

Ingeniera, Primera Edicin, Mc Graw Hill.

Sheaffer, R. L. y McClave, J.T. (1990). Probabilidad y Estadstica para Ingeniera,

Primera Edicin, Grupo Editorial Iberoamrica.

Spiegel, M.R. (1970). Estadstica, Primera Edicin, Serie Schaum, Mc Graw Hill.

Walpole, R. E., Myers, R.H., y Myers, S.L. (1998). Probabilidad y Estadstica para
Ingenieros, Sexta Edicin, Prentice Hall.

Weimer, R.C. (1996). Estadstica, Segunda Edicin, CECSA.

ACTIVIDADES complementarios adicionales

1.- La renta media de los habitantes de un pas se distribuye uniformemente entre 4,0 millones
ptas. y 10,0 millones ptas. Calcular la probabilidad de que al seleccionar al azar a 100 personas
la suma de sus rentas supere los 725 millones ptas.
Cada renta personal es una variable independiente que se ditribuye segn una funcin
uniforme. Por ello, a la suma de las rentas de 100 personas se le puede aplicar el Teorema
Central del Lmite.
2.- Una mquina vendedora de refrescos est programada para que la cantidad de refrescos
que sirve sea una variable aleatoria con una media de 200 mililitros y una desviacin estndar
de 15 mililitros. Cul es la probabilidad de que la cantidad media de refresco servido en una
muestra aleatoria de 36 refrescos sea por lo menos 204 mililitros?. Realice los clculos usando
la desigualdad de Chebyshev y el TCL