Ing.

Wendy Vera

REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA
UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA
DE LA FUERZA ARMADA NACIONAL
U.N.E.F.A. NÚCLEO ARAGUA – SEDE MARACAY

Distribución muestral

Es una lista de todos los valores posibles de un estadístico y la probabilidad asociada a

cada valor. Se considerarán la distribución muestral de medias y la de proporciones.

Distribución muestral de medias

1. Definición: es la distribución de probabilidad de todas las medias posibles de
muestras de un tamaño dado, n, de una población.

2. Media de las medias muéstrales: es el promedio de todos los valores posibles de las
medias que se pueden generar mediante las diversas muestras aleatorias simples. Se
puede demostrar que el valor esperado de las medias muéstrales es igual a la media
poblacional; es decir, E(x) = X =  También se tiene que:

X =
X en donde k es el número de muestras.
K
3. Error estándar de la media: es la desviación estándar de la distribución de muestreo
de la media, por lo que mide el grado en que se espera que varíen las medias de las
diferentes muestras de la media de la población, debido al error aleatorio en el proceso
de muestreo. Al disminuir el error estándar, el valor de cualquier media de muestra
probablemente se acercará al valor de la media de la población. (efecto del tamaño de la
muestra sobre el error típico, es decir, a medida que aumenta el tamaño de la muestra, se
incrementa la precisión con la que se puede usar la media de muestra para estimar la
media de la población, sin embargo, rara vez vale la pena tomar muestras
excesivamente grandes ya que el error estándar de la media varía inversamente con n ,
por lo que hay una utilidad decreciente en el muestreo).
Usos: indica el tamaño del error de azar que se ha cometido, y además señala la robable
precisión que obtendremos si utilizamos una estadística de muestra para estimar un
parámetro de población.
La distribución muestral de medias tiene un error estándar igual a:
− Para población infinita con n  30, muestreo con reemplazo o población normal :
 Ing. Wendy Vera


X =
n
n
_ Para población finita o muestreo sin reemplazo con  0,05
N

 N −n N −n
X = * .Al factor se le denomina factor de corrección
n N −1 N −1
4. Teorema del límite central: es un teorema a través del cual se asegura que la
distribución de muestreo de la media se aproxima a la normal, al incrementarse el
tamaño de la muestra. Este teorema permite usar estadística de muestra para hacer
inferencias con respecto a los parámetros de la población, sin saber nada sobre la forma
de la distribución de frecuencias de esa población más que lo que podamos obtener de la
muestra. Para efectos prácticos el tamaño de la muestra debe ser n  30
Nota: si la distribución de la población es bastante simétrica, la distribución muestral de
la media se aproxima a la normal si se seleccionan muestras pequeñas.

Aplicaciones:
Una aplicación muy corriente y útil de la distribución muestral es determinar la
probabilidad de que la media de una muestra caiga dentro de un intervalo determinado.
Puesto que la distribución muestral seguirá una distribución normal (ya sea porque la
muestra se toma de una distribución normal, o porque n  30teorema del límite central
garantice la normalidad en el proceso de muestreo), se podrá utilizar la variable
tipificada para obtener la información necesaria en la toma de decisiones.
X −
Z=
X

Ejemplo 1:
El precio medio de ventas de casa nuevas en una ciudad americana es de $115 000 con
una desviación típica de $25 000. Se toma una muestra aleatoria de 100 casas nuevas de
esta ciudad.
a) ¿Cuál es la probabilidad de que la media muestral de los precios de venta sea menor
de $110 000?
X: Precios de venta de las casas.
Dado que el tamaño de muestra n=100 > 30 podemos utilizar el Teorema Central del
Límite, así que tenemos que:
 Ing. Wendy Vera

 X =  = 115000
 25000
X = = = 2500
n 10

 110000 − 115000 
P( X 110000) = P Z   =  (−2) = 0,9772
 2500 

Ejemplo 2
Se ha tomado una muestra de 16 directores de 100 oficinas de una ciudad con el fin de
estimar el tiempo medio diario que emplean en desplazarse hasta su trabajo. Si la media
de los tiempos es de 87 minutos y la desviación típica de 20 minutos, calcule la
probabilidad de que la media muestral sea menor de 100 minutos.
Como la población es finita y la muestra es sin reemplazo, debemos verificar si es o no
necesario el empleo del factor de corrección para calcular el error muestral.
n
Tenemos que: N= 100, n = 16, = 0.16 > 0.05, por lo que es necesario el Factor de
N
Corrección.
Entonces:
 X = 87

 N −n 20 100 − 16
X = * X = * = 4,605
n N −1 16 100 − 1

 100 − 87 
P( X 100) = P Z   =  (2,82) = 0,9976
 4,605 

Ejemplo 3:
Supongamos que el incremento porcentual de los salarios de los funcionarios de todas
las corporaciones medianas se distribuye normal con una media de 12.2% y una
desviación típica de 3.6%. Si se toma una muestra aleatoria de nueve observaciones de
esta población, calcule la probabilidad de que el incremento medio muestral porcentual
sea menor del 10%.
Como la distribución de la población es normal, tenemos que los parámetros de la
distribución muestral de la media son:
 3,6
 X = 12,2 X = = = 1,2
n 3
 Ing. Wendy Vera

 10 − 12,2 
P( X 10) = P Z   =  (−1,83) = 0,0306
 1,2 
Es realmente muy poco probable que el incremento medio porcentual esté por debajo
del 10%.

Distribución muestral de proporción

1. Definición: es la distribución de probabilidad de todos los valores posibles de la
proporción muestral ( pˆ ).

2. Media de las proporciones muéstrales: es la media de todos los valores posibles de las
proporciones que se pueden generar mediante las diversas muestras aleatorias simples.
Se puede demostrar que la media de las proporciones muéstrales p será igual a p
(Proporción de la población).
La distribución de muestreo tiene un error estándar igual a:
Para población infinita con n>30 o muestreo con reemplazo:
p * (1 − p)
P =
n
n
Para población finita y muestreo sin reemplazo con  0,05
N

p * (1 − p) N −n
P = *
n N −1
En ambos caso P es la proporción en la población y n el tamaño de la muestra.

Observación:
En la terminología estadística, la distribución de muestreo que se obtendría al tomar
todas las muestras de un tamaño dado constituye una distribución teórica de muestreo.
En la práctica, el tamaño y el carácter de la mayor parte de las poblaciones impiden que
los responsables de las decisiones tomen todas las muestras posibles de una distribución
de población, sin embargo, se han desarrollado fórmulas para estimar las características
de estas distribuciones teóricas de muestreo, haciendo innecesario que se recolecten
grandes números de muestras. En casi todos los casos, los responsables de las
decisiones sólo toman una muestra de la población, calculan estadísticas para esa
muestra y de esas estadísticas infieren algo sobre los parámetros de toda la población.
 Ing. Wendy Vera

Ejemplo 4
Se toma una muestra de 250 casas de una población de edificios antiguos para estimar la
proporción de casas de este tipo. Supongamos que el 30% de todos los edificios son
antiguos. Hallar la probabilidad de que la proporción de edificios antiguos esté entre .25
y 0.35.
pˆ = Pr obabilidad delaproporción
p = Pr obabilidad
Tenemos que p = 0.3 y n = 250 , note que aquí la población es infinita. Así que:
p * (1 − p) 0,3 * 0,7
P = = = 0,029
n 250

 0,35 − 0,3 0,25 − 0,3 

P(0,25  p  0,35) = P  pˆ   =  (1,72) −  (−1,72) = 0,9146
 0,029 0,029 
Es muy probable que la probabilidad de que la proporción de edificios antiguos esté en
ese intervalo.
Ejemplo 5:
Se ha estimado que el 43% de los licenciados en economía consideran que es muy
importante que se imparta un curso de ética en economía. De una población de 800
estudiantes se tomó una muestra de 80. Calcular la probabilidad de que más de la mitad
de ellos opinen de ese modo.
En este necesitamos el factor de corrección dado que:
n 80
= = 0,1 0,05 porloqueobtenemos :
N 800
p * (1 − p) N −n 0,43 * 0,57 800 − 80
P = * P = * = 0,0525
n N −1 80 800 − 1
La probabilidad que se nos pide es:
 0,5 − 0,43 
P( pˆ  0,5) = 1 − P Z   = 1 − P( Z 1,33) = 1 −  (1,33) = 1 − 0,9082 = 0,0918
 0,0525 
Por tanto es pequeña la probabilidad de que más de la mitad de los estudiantes
consideren necesario que se imparta ética en la licenciatura de economía.
 Ing. Wendy Vera

REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA
UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA
DE LA FUERZA ARMADA NACIONAL
U.N.E.F.A. NÚCLEO ARAGUA – SEDE MARACAY

Estimación de Parámetros

La estimación de parámetros consiste en el cálculo aproximado del valor de un

parámetro en la población, utilizando la inferencia estadística, a partir de los valores
observados en la muestra estudiada.

Inferencia Estadística: Son técnicas que permiten formular inferencias inductivas y

que proporcionan una medida del riesgo de estas.

Estimación de Parámetros Estimación Puntual

Inferencia Estadística Estimación por Intervalos

Pruebas de Hipótesis

Estimación puntual

Consiste en la estimación del valor del parámetro mediante un sólo valor, obtenido de
una fórmula determinada. Por ejemplo, si se pretende estimar la talla media de un
determinado grupo de individuos, puede extraerse una muestra y ofrecer como
estimación puntual la talla media de los individuos.

Estimación por intervalos

Consiste en la obtención de un intervalo dentro del cual estará el valor del parámetro
estimado con una cierta probabilidad.

El coeficiente de Confianza
Se usa para indicar la probabilidad de que una estimación por intervalo contenga el
parámetro poblacional
 Ing. Wendy Vera

Parámetro Poblacional: es la función definida sobre valores numéricos de una

población. Se llama parámetro a un valor representativo de una población, como la
media aritmética, una proporción o su desviación típica.

El Nivel de Confianza: es el coeficiente de confianza expresado como un porcentaje.

Tipos de estimación por Intervalo

➢ Intervalo de confianza para  cuando se muestrea una distribución normal
con varianza conocida
 2  ( X − )
X---- N (  , σ )
2
X ---- N   ,  Z= Z --- N (0,1)
 n  
n
Su intervalo es:
      
P  X − Z / 2      X + Z / 2   = 1 − 
  n  n 

➢ Intervalos de confianza para el parámetro de proporción P cuando se

muestrean distribuciones Binomial.
X
p= Donde X es binomial con parámetros n y p
n

p*q
E(p) = p Var (p) =
n

( X − np)
Para n grande la variable es aproximadamente normal N (0,1). Entonces
npq
pˆ − p
puede demostrarse que la distribución de también tiende a N (0,1)
pq
n

Su intervalo es:
  pq   pq 
P  pˆ − Z / 2    p  pˆ + Z / 2 


 n  = 1 − 
  n   
 Ing. Wendy Vera

1) Se hizo una encuesta a 325 personas mayores de 16 años y se encontró que 120
iban al teatro regularmente.
Halla, con un nivel de confianza del 94%, un intervalo para estudiar la proporción
de los ciudadanos que van al teatro regularmente.

2) En un control de calidad se analizó una muestra aleatoria de 750 tornillos

resultando defectuosos 80 de ellos. Hallar:

a) Un intervalo de confianza para la proporción de tornillos defectuosos en el

conjunto de producción con 99 % de confianza.
b) ¿Cuál es el error máximo cometido en la estimación anterior?
c) Si deseamos que el error cometido, con el mismo nivel de confianza, sea la
décima parte dele apartado anterior, ¿cuál ha de ser el tamaño de la muestra?
Ing. Wendy Vera