ESTADÍSTICA INFERENCIAL

Distribuciones Muestrales

Fernando Madera Martı́nez

Ignacio Osuna Vergara

Departamento de Matemáticas y Estadı́sticas

Universidad de Córdoba

30 de marzo de 2019

ESTADÍSTICA INFERENCIAL 1 / 48
Tabla de contenido

1 Introducción

2 Conceptos básicos

3 Distribuciones Muestrales
Distribución Muestral de la Media
Distribución Muestral de la diferencia de Medias
Distribución Muestral de la Proporción
Distribución Muestral de la Varianza
Distribución Muestral de la Media (Muestras pequeñas)

4 Bibliografı́a

ESTADÍSTICA INFERENCIAL 2 / 48
 Introducción

Tabla de Contenido

1 Introducción

2 Conceptos básicos

3 Distribuciones Muestrales
Distribución Muestral de la Media
Distribución Muestral de la diferencia de Medias
Distribución Muestral de la Proporción
Distribución Muestral de la Varianza
Distribución Muestral de la Media (Muestras pequeñas)

4 Bibliografı́a

ESTADÍSTICA INFERENCIAL 3 / 48
 Introducción

Introducción

Estadı́stica inferencial
Generalmente las poblaciones son demasiado grandes para poder es-
tudiarlas en su totalidad, es necesario seleccionar una muestra repre-
sentativa de un tamaño más manejable. Esta muestra se utiliza luego
para sacar conclusiones hacerca de la población. a este proceso se le
llama Estadı́stica Inferencial.

ESTADÍSTICA INFERENCIAL 4 / 48
 Conceptos básicos

Tabla de Contenido

1 Introducción

2 Conceptos básicos

3 Distribuciones Muestrales
Distribución Muestral de la Media
Distribución Muestral de la diferencia de Medias
Distribución Muestral de la Proporción
Distribución Muestral de la Varianza
Distribución Muestral de la Media (Muestras pequeñas)

4 Bibliografı́a

ESTADÍSTICA INFERENCIAL 5 / 48
 Conceptos básicos

Conceptos básicos

Población

ESTADÍSTICA INFERENCIAL 6 / 48
 Conceptos básicos

Conceptos básicos

Población
Colección completa de todas las observaciones de interés para el in-
vestigador. Ejemplo: Los habitantes de un paı́s, los estudiantes de un
colegio, establecimientos comerciales de una ciudad o el conjunto de
todas las piezas fabricadas por una máquina

ESTADÍSTICA INFERENCIAL 6 / 48
 Conceptos básicos

Conceptos básicos

Población
Colección completa de todas las observaciones de interés para el in-
vestigador. Ejemplo: Los habitantes de un paı́s, los estudiantes de un
colegio, establecimientos comerciales de una ciudad o el conjunto de
todas las piezas fabricadas por una máquina

Muestra

ESTADÍSTICA INFERENCIAL 6 / 48
 Conceptos básicos

Conceptos básicos

Población
Colección completa de todas las observaciones de interés para el in-
vestigador. Ejemplo: Los habitantes de un paı́s, los estudiantes de un
colegio, establecimientos comerciales de una ciudad o el conjunto de
todas las piezas fabricadas por una máquina

Muestra
Parte (subconjunto) representativa de la población que se selecciona
para ser estudiada ya que la población es demasiado grande para es-
tudiarla en su totalidad.

ESTADÍSTICA INFERENCIAL 6 / 48
 Conceptos básicos

Conceptos básicos

Estadı́stico

ESTADÍSTICA INFERENCIAL 7 / 48
 Conceptos básicos

Conceptos básicos

Estadı́stico
En estadı́stica un estadı́stico es una medida cuantitativa, derivada de
un conjunto de datos de una muestra, con el objetivo de estimar ca-
racterı́sticas de una población.

ESTADÍSTICA INFERENCIAL 7 / 48
 Conceptos básicos

Conceptos básicos

Estadı́stico
En estadı́stica un estadı́stico es una medida cuantitativa, derivada de
un conjunto de datos de una muestra, con el objetivo de estimar ca-
racterı́sticas de una población.

Parámetro

ESTADÍSTICA INFERENCIAL 7 / 48
 Conceptos básicos

Conceptos básicos

Estadı́stico
En estadı́stica un estadı́stico es una medida cuantitativa, derivada de
un conjunto de datos de una muestra, con el objetivo de estimar ca-
racterı́sticas de una población.

Parámetro
El parámetro es una medida descriptiva de la población.
Parámetros Parámetros
Nombre Poblacionales muestrales Significado
(Estimadores)
Media µ X µb=X
Varianza σ2 S2 b 2 = S2
σ
Desviación estándar σ S σ
b =S
Proporción π P π
b=P

ESTADÍSTICA INFERENCIAL 7 / 48
 Distribuciones Muestrales

Tabla de Contenido

1 Introducción

2 Conceptos básicos

3 Distribuciones Muestrales
Distribución Muestral de la Media
Distribución Muestral de la diferencia de Medias
Distribución Muestral de la Proporción
Distribución Muestral de la Varianza
Distribución Muestral de la Media (Muestras pequeñas)

4 Bibliografı́a

ESTADÍSTICA INFERENCIAL 8 / 48
 Distribuciones Muestrales

Conceptos básicos

Distribución muestral

ESTADÍSTICA INFERENCIAL 9 / 48
 Distribuciones Muestrales

Conceptos básicos

Distribución muestral
Se llama distribución muestral a la distribución de probabilidad de un
estadı́stico. Es una lista de todos los valores posibles de un estadı́stico
pueda tomar y la probabilidad asociada a cada valor.

ESTADÍSTICA INFERENCIAL 9 / 48
 Distribuciones Muestrales

Conceptos básicos

Distribución muestral
Se llama distribución muestral a la distribución de probabilidad de un
estadı́stico. Es una lista de todos los valores posibles de un estadı́stico
pueda tomar y la probabilidad asociada a cada valor.

Error de muestreo

ESTADÍSTICA INFERENCIAL 9 / 48
 Distribuciones Muestrales

Conceptos básicos

Distribución muestral
Se llama distribución muestral a la distribución de probabilidad de un
estadı́stico. Es una lista de todos los valores posibles de un estadı́stico
pueda tomar y la probabilidad asociada a cada valor.

Error de muestreo
Es la diferencia entre el parámetro a estimar y el estadı́stico de la
muestra utilizado para estimar el parámetro.

ESTADÍSTICA INFERENCIAL 9 / 48
 Distribuciones Muestrales

Conceptos básicos

Definición: Muestra Aleatoria

ESTADÍSTICA INFERENCIAL 10 / 48
 Distribuciones Muestrales

Conceptos básicos

Definición: Muestra Aleatoria

Las variables aleatorias X1 , X2 , . . . , Xn constituyen una muestra alea-
toria de tamaño n, si
Las Xi son variables aleatorias independientes.
Todas las Xi tienen la misma distribución de probabilidad.

ESTADÍSTICA INFERENCIAL 10 / 48
 Distribuciones Muestrales Distribución Muestral de la Media

Tabla de Contenido

1 Introducción

2 Conceptos básicos

3 Distribuciones Muestrales
Distribución Muestral de la Media
Distribución Muestral de la diferencia de Medias
Distribución Muestral de la Proporción
Distribución Muestral de la Varianza
Distribución Muestral de la Media (Muestras pequeñas)

4 Bibliografı́a

ESTADÍSTICA INFERENCIAL 11 / 48
 Distribuciones Muestrales Distribución Muestral de la Media

Distribución muestral de la media

Considere la determinación de la disribución de muestreo de la media

muestral X. Suponga que se toma una muestra aleatoria de tamaño n
de una población con distribución normal, con media µ y varianza σ 2 .
Entonces, cada observación de esta muestra, digamos, X1 , X2 , . . . , Xn ,
es una variable aleatoria con una distribución normal e independiente,
con media con media µ y varianza σ 2 . Por la propiedad de reproducción
de la distribución normal se cumple que:
X1 + X 2 + · · · + Xn
X=
n
σ2
tiene distribución normal con media µ y varianza n

ESTADÍSTICA INFERENCIAL 12 / 48
 Distribuciones Muestrales Distribución Muestral de la Media

Distribución muestral de la media

En otras palabras
σ2
 
X ∼ N µ;
n
es decir,

µX = E X = µ
y
2

σ2
σX =V X =
n
Si el muestreo se hace sobre una población que tiene una distribución
de probabilidad desconocida, la distribución de muestreo de la media
σ2
seguirá siendo aproximadamente normal con media µ y varianza ,
n
siempre y cuando el tamaño de muestra n sea grande.
ESTADÍSTICA INFERENCIAL 13 / 48
 Distribuciones Muestrales Distribución Muestral de la Media

El teorema del lı́mite central

Si X1 , X2 , . . . , Xn es una muestra aleatoria de tamaño n tomada de
una población con media µ y varianza σ 2 , y si X es la media muestral,
entonces se cumple que

σ2
 
X ∼ N µ;
n

Cuando n −→ ∞ (n se hace grande, se suele usar n ≥ 30).

Otra forma de expresar el lı́mite es

X −µ
Z= √
σ/ n
Cuando n −→ ∞ (es la distribución normal estandar).
ESTADÍSTICA INFERENCIAL 14 / 48
 Distribuciones Muestrales Distribución Muestral de la Media

Distribución muestral de la media

Ejemplo
El tiempo que un pasajero invierte esperando en un punto de revisión
de un aeropuerto es una variable aleatoria con media 8,2 minutos y
desviación estándar 6 minutos. Suponga que se observa una muestra
aleatoria de n = 49 pasajeros. Encuentre la probabilidad de que el
tiempo de espera promedio en la fila de estos clientes sea
a) Menor que 10 minutos .
b) Entre 6 y 10 minutos.
c) Mayor que 7 minutos.

ESTADÍSTICA INFERENCIAL 15 / 48
 Distribuciones Muestrales Distribución Muestral de la Media

Distribución muestral de la media

Solución

La variable aleatoria que se mide en la población es:

X := Tiempo de espera del pasajero.
de acuerdo con el enunciado, µ = 8, 2 y σ = 6.

Hay que tener en cuenta que la distribución de la población es desco-

nocida, sin embargo, el tamaño de muestra es n = 49, mayor que 30;
por lo tanto se puede hacer uso del teorema de lı́mite central.
Ası́,

µX = 8, 2
y
σ 6 6
σX = √ = √ = = 0, 8571
n 49 7
ESTADÍSTICA INFERENCIAL 16 / 48
 Distribuciones Muestrales Distribución Muestral de la Media

Distribución muestral de la media

a) Menor que 10 minutos.

!

X − µX 10 − 8, 2
P X < 10 = P < = P (Z < 2, 1) = 0, 9821
σX 0, 8571

ESTADÍSTICA INFERENCIAL 17 / 48
 Distribuciones Muestrales Distribución Muestral de la Media

Distribución muestral de la media

b) Entre 5 y 10 minutos.
 

6 − 8, 2 X − µX 10 − 8, 2
P 6 < X < 10 = P < <
0, 8571 σX 0, 8571
= P (−2,5667 < Z < 2, 1)
= P (Z < 2, 1) − P (Z ≤ −2,5667)
= 0, 9821 − 0, 0051 = 0,977

ESTADÍSTICA INFERENCIAL 18 / 48
 Distribuciones Muestrales Distribución Muestral de la Media

Distribución muestral de la media

c) Mayor que 7 minutos.

 

X − µX 7 − 8, 2
P X>7 =P >
σX 0, 8571
= P (Z > −1, 4)
= 1 − P (Z ≤ −1, 4)
= 1 − 0, 0808 = 0, 9192

ESTADÍSTICA INFERENCIAL 19 / 48
 Distribuciones Muestrales Distribución Muestral de la Media

Distribución muestral de la media

Cálculo en EXCEL
a) =DISTR.NORM.N(10;8,2;0,8571;1)
=DISTR.NORM.ESTAND(2,1)
b) =DISTR.NORM.N(10;8,2;0,8571;1)−DISTR.NORM.N(6;8,2;0,8571;1)
=DISTR.NORM.ESTAND(2,1)−DISTR.NORM.ESTAND(-2,5667)
c) =1−DISTR.NORM.N(7;8,2;0,8571;1)
=1−DISTR.NORM.ESTAND(-1,4)

ESTADÍSTICA INFERENCIAL 20 / 48
 Distribuciones Muestrales Distribución Muestral de la diferencia de Medias

Tabla de Contenido

1 Introducción

2 Conceptos básicos

3 Distribuciones Muestrales
Distribución Muestral de la Media
Distribución Muestral de la diferencia de Medias
Distribución Muestral de la Proporción
Distribución Muestral de la Varianza
Distribución Muestral de la Media (Muestras pequeñas)

4 Bibliografı́a

ESTADÍSTICA INFERENCIAL 21 / 48
 Distribuciones Muestrales Distribución Muestral de la diferencia de Medias

Distribución muestral de la diferencia de medias

Si se tienen dos poblaciones independientes con medias µ1 y µ2 y

varianzas σ12 y σ22 , y si X1 y X 2 son las medias de dos muestra aleatorias
de tamaños n1 y n2 de estas dos poblaciones, entonces la distribución
de muestreo de


X1 − X 2 − (µ1 − µ2 )
Z= r 2
σ1 σ22
+
n1 n2
es aproximadamente normal estándar, si se aplican las condiciones del
teorema de lı́mite central. Si las poblaciones son normales, entonces la
distribución de muestreo de Z es exactamente normal estándar.

ESTADÍSTICA INFERENCIAL 22 / 48
 Distribuciones Muestrales Distribución Muestral de la diferencia de Medias

Distribución muestral de la diferencia de medias

Ejemplo
Se selecciona una muestra aleatoria de tamaño n1 = 16 de una pobla-
ción normal que tiene una media de 75 y una desviación estándar de
8. Se toma una segunda muestra aleatoria de tamaño n2 = 9, de otro
población normal con media 70 y desviación estándar 12. Sean X 1 y
X 2 las medias de cada muestra, respectivamente. Encuentre:
a) La probabilidad de que X 1 − X 2 exceda 4.
b) La probabilidad de que 3, 5 ≤ X 1 − X 2 ≤ 5, 5

ESTADÍSTICA INFERENCIAL 23 / 48
 Distribuciones Muestrales Distribución Muestral de la diferencia de Medias

Distribución muestral de la diferencia de medias

Solución
Datos del problema
Muestra 1: n1 = 16, µ1 = 75, σ1 = 8
Muestra 2: n2 = 9, µ2 = 70, σ2 = 12

La media de la diferencia de medias es

µX 1 −X 2 = µ1 − µ2 = 75 − 70 = 5

La varianza de la diferencia de medias es

2 σ12 σ22 82 122

σX 1 −X 2
= + = + = 20
n1 n2 16 9
ESTADÍSTICA INFERENCIAL 24 / 48
 Distribuciones Muestrales Distribución Muestral de la diferencia de Medias

Distribución muestral de la diferencia de medias

a) La probabilidad de que X 1 − X 2 exceda 4.

!

X1 − X 2 − µX 1 −X 2 4−5
P X1 − X2 > 4 = P > √
σX 1 −X 2 20
= P (Z > −0, 2236)
= 1 − P (Z ≤ −0, 2236)
= 1 − 0, 4115 = 0, 5885

ESTADÍSTICA INFERENCIAL 25 / 48
 Distribuciones Muestrales Distribución Muestral de la diferencia de Medias

Distribución muestral de la diferencia de medias

b) La probabilidad de que 3, 5 ≤ X 1 − X 2 ≤ 5, 5
Resolver.
Rta/: 0,1758525

ESTADÍSTICA INFERENCIAL 26 / 48
 Distribuciones Muestrales Distribución Muestral de la Proporción

Tabla de Contenido

1 Introducción

2 Conceptos básicos

3 Distribuciones Muestrales
Distribución Muestral de la Media
Distribución Muestral de la diferencia de Medias
Distribución Muestral de la Proporción
Distribución Muestral de la Varianza
Distribución Muestral de la Media (Muestras pequeñas)

4 Bibliografı́a

ESTADÍSTICA INFERENCIAL 27 / 48
 Distribuciones Muestrales Distribución Muestral de la Proporción

Distribución muestral de la proporción

Sea X una variable aleatoria binomial de parámetros n y π, entonces

el estimador de la probabilidad de éxito π, en la muestra es:
X Número de casos favorables al evento X
P = =
n Número total de casos
donde X es el número de éxitos en los n ensayos. La media y la varianza
del estimador son
E (P ) = π
y
π (1 − π)
V (P ) =
n

ESTADÍSTICA INFERENCIAL 28 / 48
 Distribuciones Muestrales Distribución Muestral de la Proporción

Distribución muestral de la proporción

Por el teorema de lı́mite central, Si n es suficientemente grande, la
distribución de la proporción muestral es aproximadamente normal con
media π y varianza π(1−π)
n
, en simbolos,
 
π (1 − π)
P ∼ N π;
n

más especificamente, siempre que, nπ > 5 y nπ (1 − π) > 5

Forma estandarizada
El estadı́stico
P −π
Z=q
π(1−π)
n

es aproximadamente normal estandar cuando n es grande.

ESTADÍSTICA INFERENCIAL 29 / 48
 Distribuciones Muestrales Distribución Muestral de la Proporción

Distribución muestral de la proporción

Ejemplo
Según reportes del centro nacional para estadı́sticas de salud, alrededor
del 20 % de la población masculina adulta de los Estados Unidos es
obesa. Se elige al azar una muestra de 150 hombres adultos en los
Estados Unidos. ¿Cuál es la probabilidad de que:
a) La proporción de obesos encontrada sea mayor al 17 %.
b) Haya más de 22 pero menos de 35 obesos.
c) Haya por lo menos un 25 % de obesos en la muestra.

ESTADÍSTICA INFERENCIAL 30 / 48
 Distribuciones Muestrales Distribución Muestral de la Proporción

Distribución muestral de la proporción

Solución
Se define la variable aleatoria
X := Número de personas obesas en la muestra
De acuerdo con el enunciado del ejercicio, n = 150 y π = 0, 20,
además,
nπ = 150 · 0, 20 = 30> 5
y
nπ (1 − π) = 150 · 0, 20 · 0, 8 = 24> 5
X
ası́, por el teorema de lı́mite central, la proporción P = , tiene
n
distribución normal com media

0, 20 (0, 8)
µP = π = 0, 20 y σP2 = = 0, 0011
150
ESTADÍSTICA INFERENCIAL 31 / 48
 Distribuciones Muestrales Distribución Muestral de la Proporción

Distribución muestral de la proporción

a) La proporción de obesos encontrada sea mayor al 17 %.

 
P − µP 0, 17 − 0, 20
P (P > 0, 17) = P > √
σP 0, 0011
= P (Z > −0, 9045)
= 1 − P (Z ≤ −0, 9045)
= 1 − 0, 1829 = 0, 8171

ESTADÍSTICA INFERENCIAL 32 / 48
 Distribuciones Muestrales Distribución Muestral de la Proporción

Distribución muestral de la proporción

b) Haya más de 22 pero menos de 35 obesos.

 
22 X 35
P (22 < X < 35) = P < <
150 n 150
 
22 X 35
=P < <
150 n 150
 
0, 1467 − 0, 20 P − µP 0, 2333 − 0, 20
=P √ < < √
0, 0011 σP 0, 0011
= P (−1, 6071 < Z < 1, 0040)
= P (Z ≤ 1, 0040) − P (Z ≤ −1, 6071)
= 0, 8423 − 0, 0540 = 0, 7883

ESTADÍSTICA INFERENCIAL 33 / 48
 Distribuciones Muestrales Distribución Muestral de la Proporción

Distribución muestral de la proporción

c) Haya por lo menos un 25 % de obesos en la muestra.

 
P − µP 0, 25 − 0, 20
P (P > 0, 25) = P > √
σP 0, 0011
= P (Z > 1, 5076)
= 1 − P (Z ≤ 1, 5076)
= 1 − 0, 9342 = 0, 0658

ESTADÍSTICA INFERENCIAL 34 / 48
 Distribuciones Muestrales Distribución Muestral de la Varianza

Tabla de Contenido

1 Introducción

2 Conceptos básicos

3 Distribuciones Muestrales
Distribución Muestral de la Media
Distribución Muestral de la diferencia de Medias
Distribución Muestral de la Proporción
Distribución Muestral de la Varianza
Distribución Muestral de la Media (Muestras pequeñas)

4 Bibliografı́a

ESTADÍSTICA INFERENCIAL 35 / 48
 Distribuciones Muestrales Distribución Muestral de la Varianza

Distribución Chi-cuadrado

Teorema
Sean Z1 , Z2 , . . . , Zk variables aleatorias independientes con distribución
normal estandar. Entonces la variable aleatoria

X = Z12 + Z22 + · · · + Zk2

tiene distribución chi-cuadrado con k grados de libertad. En simbolos

X ∼ χ2k

Y su función de densidad de probabilidad está dada por

(
k/2
1
xk/2−1 e−x/2 , x > 0
f (x) = 2 Γ(k/2)
0, otro caso
ESTADÍSTICA INFERENCIAL 36 / 48
 Distribuciones Muestrales Distribución Muestral de la Varianza

Distribución Chi-cuadrado

De la ecuación anterior,
Z ∞
Γ (m) = tm−1 e−t dt
0

Teorema
Para una variable aleatoria X con distribución chi-cuadrado con k
grados de libertad E (X) = k y V (X) = 2k

ESTADÍSTICA INFERENCIAL 37 / 48
 Distribuciones Muestrales Distribución Muestral de la Varianza

Distribución muestral de la varianza

Sea X1 , X2 , . . . , Xn es una muestra aleatoria tomada de una población

normal, con media µ y varianza σ 2 . La estadı́stica

(n − 1) S 2
σ2
tiene distribución chi-cuadrado con n − 1 grados de libertad.
Ejemplo
Se toma una muestra aleatoria de n = 25 observaciones de una
población normal que tiene una varianza σ 2 = 10. Encuentre la
probabilidad de que la varianza muestral sea mayor que 16, 4.

ESTADÍSTICA INFERENCIAL 38 / 48
 Distribuciones Muestrales Distribución Muestral de la Varianza

Distribución muestral de la varianza

Solución
La varianza muestral es S 2 .
Se pide hallar P (S 2 > 16, 4)

P S 2 > 16, 4 = P (n − 1) S 2 > (25 − 1) 16, 4

(n − 1) S 2
 
(24) 16, 4
=P >
σ2 10
2


= P χ24 > 39, 36

ESTADÍSTICA INFERENCIAL 39 / 48
 Distribuciones Muestrales Distribución Muestral de la Varianza

Distribución muestral de la varianza

Valor de la tabla

Cálculo en Excel
=DISTR.CHICUAD.CD(39,36; 24)
=1-DISTR.CHICUAD(39,36;24;1)

ESTADÍSTICA INFERENCIAL 40 / 48
 Distribuciones Muestrales Distribución Muestral de la Varianza

Distribución muestral de la varianza

Solución

P S 2 > 16, 4 = P (n − 1) S 2 > (25 − 1) 16, 4

(n − 1) S 2
 
(24) 16, 4
=P >
σ2 10
2


= P χ24 > 39, 36
= 0, 0250

ESTADÍSTICA INFERENCIAL 41 / 48
 Distribuciones Muestrales pequeñas)

Tabla de Contenido

1 Introducción

2 Conceptos básicos

3 Distribuciones Muestrales
Distribución Muestral de la Media
Distribución Muestral de la diferencia de Medias
Distribución Muestral de la Proporción
Distribución Muestral de la Varianza
Distribución Muestral de la Media (Muestras pequeñas)

4 Bibliografı́a

ESTADÍSTICA INFERENCIAL 42 / 48
 Distribuciones Muestrales pequeñas)

Distribución T-student

Teorema
Sea Z una variable aleatoria con distribución normal estándar y X una
variable aleatoria Ji − cuadrado con k grados de libertad. Si Z y V son
independientes, entonces la variable aleatoria
Z
p
V /k

tiene distribución t − student con k grados de libertad, lo que se abrevia

con tk , y su función de densidad de probabilidad esta dada por

Γ [(k + 1) /2]
−(k+1)/2

f (t) = √ 1 + t2 /k ; −∞ < t < ∞
πkΓ [(k+) /2]

ESTADÍSTICA INFERENCIAL 43 / 48
 Distribuciones Muestrales pequeñas)

Distribución T-student

Teorema
Si T es una variable aleatoria con distribución tk , entonces
k
E (T ) = k y V (T ) =
k−2
para k > 2, indefinida para otros valores.

ESTADÍSTICA INFERENCIAL 44 / 48
 Distribuciones Muestrales pequeñas)

Distribución muestral de la Media

Muestras pequeñas

Distribución muestral de la Media

Si X1 , X2 , . . . , Xn es una muestra aleatoria de tamaño n tomada de
una población normal con media µ y varianza σ 2 ( desconocida), y
si X y S 2 son la media y la varianza de la muestra respectivamente,
entonces la estadı́stica
X −µ
T = √
S/ n
tiene distribución t − student con n − 1 grados de libertad, es decir,

X −µ
T = √ ∼ t(n−1)
S/ n

ESTADÍSTICA INFERENCIAL 45 / 48
 Distribuciones Muestrales pequeñas)

Distribución muestral de la Media

Muestras pequeñas

Ejemplo
De una población con distribución normal, quen tiene una media cono-
cida de 50 y una varianza desconocida, se toma una muestra aleatoria
de tamaño n = 16;
a partir de la muestra se obtuvo que s = 1,5,
calcular P X > 51

ESTADÍSTICA INFERENCIAL 46 / 48
 Distribuciones Muestrales pequeñas)

Distribución muestral de la Media

Muestras pequeñas

Solución
 

X −µ 51 − 50
P X > 51 = P √ > √
S/ n 1,5/ 16
= P (t15 > 2,6667)
= 1 − P (t15 ≤ 2,6667)
= 1 − 0,9912 = 0,0088

En EXCEL se calcula ası́

=1−DISTR.T.N(2,6667;15;1)

ESTADÍSTICA INFERENCIAL 47 / 48
 Bibliografı́a

Bibliografı́a

1 Webster, A. (2000). Estadı́stica aplicada a los negocios y la

economı́a. Bradley University.
2 MONTGOMERY, Douglas C.; RUNGER, George C.; MEDAL,
Edmundo G. Urbina. Probabilidad y estadı́stica aplicadas a la
ingenierı́a. McGraw Hill, 1996.
3 RONALD E. WALPOLE, R. (Novena edición, 2012).
Probabilidad y estadı́stica para ingenierı́a y ciencias. PEARSON
EDUCACIÓN, México.

ESTADÍSTICA INFERENCIAL 48 / 48