UNIDAD IV

DISTRIBUCIONES
MUESTRALES
INTRODUCCION
Antes de seguir adelante es
conveniente de que Usted tenga
en claro lo que ya vio.-
Si hacemos una recapitulación
de lo que hemos visto hasta
ahora podemos observar tres
temas bien diferentes.-
 El primero es la Estadística
Descriptiva y en ella se aprende
una serie de técnicas para
organizar, presentar, analizar e
interpretar un conjunto finito de
observaciones, que según el
objetivo del estudio pueden
constituir una población o una
muestra.-
El segundo tema fue el cálculo
de probabilidades y en esta
parte se define la probabilidad
como una medida de la
posibilidad de ocurrencia de un
experimento aleatorio,
extendiendo la noción de
frecuencia relativa a las
poblaciones finitas.-
Luego el tercer tema fue las distribuciones de
probabilidad y a través de ellas se presentan
modelos matemáticos teóricos del
comportamiento (en términos probabilísticos)
de las poblaciones.- Cada distribución surge
como consecuencia de hipótesis establecidas
sobre el comportamiento del fenómeno aleatorio
analizado.- Estas hipótesis son las que permiten
identificar una población con las
correspondientes distribuciones y a su vez cada
distribución depende de parámetros
matemáticos cuyo valor hemos supuesto
conocido.
A partir de este momento vamos a estudiar
métodos que nos permita obtener los valores de
los parámetros poblacionales basándonos en los
resultados de la muestra, y se podrá ver la
integración de los tres grandes temas antes
mencionados.-

Los resultados que en el

se expone se utilizarán
Esta Unidad es una y otra vez en los
necesariamente métodos a desarrollar
teórica.- en las Unidades
siguientes.-
 Es necesario destacar la
importancia de un
entendimiento claro de estas
distribuciones muestrales ya
que este concepto es la clave
para comprender la
Inferencia Estadística.-
El concepto de distribuciones en el muestreo me
permite averiguar la probabilidad de obtener una
determinada muestra.-
Utilizamos la información muestral para hacer inferencias
sobre la población de la que procede la muestra.- La
distribución de todos los valores de interés de esta
población pueden representarse por medio de una
variable aleatoria.- Sería demasiado ambicioso intentar
describir toda la distribución poblacional basándonos en
una pequeña muestra aleatoria de observaciones.-
Sin embargo, podemos muy bien hacer inferencias
bastantes sólidas sobre importantes características de la
distribución poblacional, como la media, la variancia
poblacional y la proporción poblacional.-
 La distribución de las medias muestrales
posibles constituye la base para realizar
inferencias sobre la muestra.-

En esta Unidad se utiliza la distribución

muestral o distribuciones en el muestreo
para contestar preguntas de probabilidad acerca
de los estadísticos muestrales.- Recordemos
que vimos anteriormente que en la Estadística
Descriptiva, la media, mediana, la variancia, el
desvío estándar, son estadísticos que se
obtienen de la muestra.-
 Veamos entonces que es
una DISTRIBUCION
MUESTRAL

La distribución de todos los valores posibles

que puede asumir un estadístico calculado a
partir de muestras del mismo tamaño,
seleccionado aleatoriamente de la población
se llama DISTRIBUCION MUESTRAL DE
ESE ESTADISTICO.-
 DISTRIBUCION MUESTRAL: Elaboración

Las distribuciones muestrales pueden construirse

empíricamente a partir de poblaciones finitas.- Para
ello, se procede como sigue:

1.- De una población finita de tamaño N, se extraen de manera

aleatorias todas las muestras posible de tamaño n.-
2.- Se calcula el estadístico de interés para cada muestra.-
3.- Se ordena en una columna los distintos valores observados del
estadístico y en otra columna, las frecuencias de ocurrencia
correspondientes de cada valor observado.-
Elaborar la distribución muestral es
una tarea muy complicada si la
población es de un tamaño muy
grande e imposible si la población
es infinita.- En último caso, es
posible obtener aproximaciones de
las distribuciones muestrales
tomando un gran número de
muestras de un tamaño dado.-
 DISTRIBUCIONES MUESTRALES

CARACTERISTICAS IMPORTANTES

Normalmente para una distribución muestral se tiene

interés en conocer tres cosas:

1.- Media 3.- Variancia

Desviación
2.- Forma funcional estándar
(grafica)
DISTRIBUCION DE
LA MEDIA DE LA
MUESTRA
 A CONTINUACIÓN VEAMOS UN EJEMPLO DE
CÓMO ELABORAR ESTA DISTRIBUCION
SIGUIENDO LOS PASOS ANTES MENCIONADOS:
(esto en la practica profesional no lo podemos realizar)

Consideremos una población de tamaño N = 5, la cual

se compone de las años de antigüedad en la escuela de
cinco maestras.- Las antigüedades en años son las
siguientes; 6, 8, 10, 12, 14.-

Calculemos la media y la variancia como sabemos:

Σxi Σ (xi – μ)²

μ= = 10 σ² = =8
N N
Supongamos que elegimos todas las
posibles muestras de tamaño n = 2 de la
población de tamaño N = 5 que
determinamos antes.-
La tabla A muestra todas las posibles
muestras de tamaño 2.-
Las muestra que están arriba y debajo de
la diagonal principal resultan cuando el
muestreo es sin reemplazo.- Las medias
de las muestras están entre paréntesis.-
 TABLA A

SEGUNDA SELECCION
6 8 10 12 14
1º 6 6;6 6,8 6;10 6;12 6;14
S (6) (7) (8) (9) (10)
E
8 8;6 8,8 8;10 8;12 8;14
L
E (7) (8) (9) (10) (11)
C 10 10;6 10,8 10;10 10;12 10;14
C (8) (9) (10) (11) (12)
I
12 12;6 12;8 12;10 12;12 12;14
O
N (9) (10) (11) (12) (13)
14 14;6 14;8 14;10 14;12 14;14
(10) (11) (12) (13) (14)
En este ejemplo se observa que cuando el muestreo se hace con
reemplazos, hay 25 muestras posibles.- En general, cuando el
muestreo se lleva a cabo con reemplazos, el número de muestras
posible es igual a N n
Puede construirse la distribución muestral de media ordenando los
diferentes valores de media en una columna y sus frecuencias de
ocurrencia en la otra, tal como mostramos a continuación:

MEDIAS FRECUENCIA FREC. RELATIVA

6 1 1/25
7 2 2/25
8 3 3/25
9 4 4/25
10 5 5/25
11 4 4/25
12 3 3/25
13 2 2/25
14 1 1/25
TOTAL 5X5= 25 1,00
 En la tabla se aprecian los datos que satisfacen los
requerimientos para la distribución de probabilidad.- Las
probabilidades individuales todas son mayores de 0 y la
suma de todas ellas me da 1,00.-
Se mencionó al principio que un interés principal radica
en la forma funcional de la distribución, su media y la
variancia.-

fx fx
Distribución
Distribución de muestral de x
la población

1
x
6 8 10 12 14 6 7 8 9 10 11 12 13 14
DISTRIBUCION MUESTRAL DE X: forma funcional

En las figuras anteriores observamos que el gráfico en la población

esta distribuido uniformemente, en la distribución muestral va
tomando una forma cada vez más similar a la normal.-

DISTRIBUCION MUESTRAL DE X: la media

El paso siguiente es calcular la media de la distribución muestral.-

Σx 250
μx = 25
=
25
= 10

Observamos que la media de la distribución

muestral me da igual a la media de la población,
esto no es casualidad, siempre es así.-
DISTRIBUCION MUESTRAL DE X: variancia.-

Σ ( x - μ )²
σ² = x = 100/25 = 4
x 25

También se puede advertir que la variancia de la

distribución muestral no es igual a la variancia de la
población, sin embargo, es interesante observar que la
variancia de la distribución muestral es igual a la
variancia de la población dividida entre el tamaño de la
muestra utilizada para obtener la distribución muestral.-
Esto es:
σ²
σ² = = 8/2 = 4
x n
A la raíz cuadrada de la variancia de la distribución
muestral, se le conoce como error estándar de la
media.-

σ σ
Entonces: σ² = σx =
x n n

Estos resultados no son coincidencia

sino ejemplos de las características de
las distribuciones muestrales en general,
cuando el muestreo es con reemplazo o
cuando se efectúan a partir de una
población infinita.-
Para generalizar, se debe distinguir
entre dos situaciones;

Muestreo a partir de una

población que sigue una
distribución normal

Muestreo a partir de una

población que no sabemos que
tipo de distribución siguen.-
 DISTRIBUCION MUESTRAL DE X:
muestreo a partir de poblaciones que
siguen una distribución normal.-

Cuando el muestreo se realiza a partir de una población

que sigue una distribución normal, la distribución de la
media de la muestra tiene las siguientes propiedades:

1.- La distribución de la media será normal.-

2.- La media de la media de la distribución muestral
será igual a la media de la población de la
cual proviene la muestra.-
3.- La variancia de la distribución muestral será igual
a la variancia de
la población dividida entre el tamaño de la muestra.-
 DISTRIBUCION MUESTRAL DE X:
muestreo a partir de poblaciones que no
siguen una distribución normal.-

Cuando el muestreo se hace a partir de

una población que no sigue una
distribución normal, se utiliza un
teorema matemático conocido como
teorema central del límite.- La
importancia de este teorema en la
inferencia estadística se resume en el
siguiente párrafo:
 Dada una población de cualquier
forma funcional no normal con una
media μ y variancia finita σ², la
distribución muestral de la media x,
será casi normal con media μX y
variancia σ²/n cuando la muestra es
muy grande.-
Observamos que el Teorema Central del Limite
permite tomar muestras a partir de la poblaciones con
distribución no normal y garantizar que se obtengan
aproximadamente los mismos resultados que si la
población tuviera una distribución normal, siempre que se
tome una muestra grande.-
La importancia de esto se demostrara más adelante al
estudiar que una distribución muestral con distribución
normal es una herramienta importante en la inferencia
estadística.-

En el caso de la media de la muestra, se tiene la

seguridad de que la distribución muestral está
distribuida en forma al menos
aproximadamente normal con tres
condiciones:
1.- Cuando se hace el muestreo a partir de una
población con distribución normal.-
2.- Cuando se hace el muestreo a partir de una
población que no exhibe una distribución
normal y la muestra es grande.-
3.- Cuando se hace el muestreo a partir de una
población cuya forma funcional se desconoce,
siempre que el tamaño de la muestra sea
grande.-

Al llegar a este punto, nos surge una pregunta lógica

¿Qué tan grande debe ser la muestra para que el
teorema central del límite sea aplicable?.-
No existe una sola respuesta, pues el tamaño de
la muestra depende de la condición de no
normalidad en la población.- Una regla empírica
establece que, en la mayoría de las situaciones
prácticas, una muestra de tamaño 30 es
suficiente.- Es decir,

n ≥ 30 NORMALIDAD

En general, la aproximación a la normalidad de la

distribución muestral de X llega a ser mucho
mejor a medida que crece el tamaño de la
muestra.-
 MUESTREO SIN REEMPLAZO.-

Los resultados anteriores se han dado con la premisa de

que el muestreo es con reemplazo o que la muestra fue
extraída de una población infinita.- En general, no se
efectúan muestreo con reemplazo, y en muchos casos
prácticos, el muestreo debe hacerse a partir de una
población finita; por lo tanto, es necesario conocer el
comportamiento de la distribución muestral de la media
de la muestra con estas condiciones.-
Antes de hacer cualquier afirmación general, conviene
revisar nuevamente los datos de la tabla que vimos al
comienzo.- Las media de la muestra que resulta cuando
el muestreo es sin reemplazo se presentan sobre la
diagonal principal que son las mismas que se presentan
por debajo de dicha diagonal, siempre y cuando se
ignore el orden en que se hicieron las observaciones.-
Se observa que hay 10 muestras posibles.- En general,
cuando se extraen sin reemplazo muestras de tamaño n a
partir de una población finita de tamaño N y se ignora el
orden en que son extraídas las muestras, se obtiene el
numero posible mediante la combinación de N casos
tomados de n a la vez.- El siguiente ejemplo se tiene que:

CN =
n N! = 5! = 10

n! (N-n)! 2! 3!
La media de las 10 medias muestrales es:

7 + 8 + 9 + 10 + 9 + 10 + 11 + 11 + 12 +13 = 10
Σx
=
μx =
10 10
 Nuevamente se aprecia que la media de la distribución
muestral es igual a la media de la población.-

La variancia de la distribución muestral se calcula como

sigue;
Σ ( xi - μx)²
σ²x = = 30/10 = 3
10

En esta ocasión se observa que la variancia de la

distribución muestral no es igual a la variancia de la
población dividida entre el tamaño de la muestra, sin
embargo, existe una relación interesante que se descubre
al multiplicar,
σ² N-n 8 5-2
* = * = 3
n N-1 2 4
Este resultado indica que si se multiplica la variancia de la
distribución muestral que se obtendrá si el muestreo fuese
con reemplazo por el factor (N-n)/(N-1), se obtiene el valor
de la variancia de la distribución muestral que resulta
cuando el muestreo es sin reemplazo.- Es posible
generalizar estos resultados con el siguiente enunciado:

Cuando el muestreo es sin

reemplazo a partir de una
población finita, la distribución
muestral de x tendrá una media μ
y una variancia; σ²
N-n
n N-1
Si el tamaño de la muestra es muy grande, el teorema
central del límite es aplicable y la distribución muestral de
la media será aproximadamente normal.-

Corrección por población finita

Al factor (N-n) / (N-1) se le llama factor de corrección

por población finita y se puede omitir cuando el
tamaño de la muestra es pequeño en comparación con el
tamaño de la población.- Cuando la población es mucho
mayor que la muestra la diferencia entre usar o no el
factor es insignificante.-
La mayoría de los Estadísticos no usamos el factor a
menos que la muestra sea de más de 5% de la
población.- Es decir, la corrección por población finita
generalmente se ignora cuando n/N ≤ 0,05.-
APLICACIÓN.- Como veremos en
Unidades siguientes, el conocimiento
y la comprensión de las distribuciones
muestrales son necesarias para
entender los conceptos de la
inferencia estadística.- La aplicación
más sencilla para la distribución
muestral de la media de la muestra es
el cálculo de la probabilidad de
obtener una muestra con una media de
alguna magnitud especificada.-
 USO DE LA
DISTRIBUCION
MUESTRAL
DE LA MEDIA
 La importancia de lo que venimos discutiendo
hasta ahora puede reconocerse solo si se
recuerda que muchas de las decisiones que
tomamos se toman en base a los resultados
muestrales.-
Por ejemplo, supongamos que deseamos probar
si un nuevo método de enseñanza de las
matemáticas es más efectivo que el actual.- Para
probarlo seleccionamos una muestra aleatoria
de alumnos, aplicamos el nuevo método y luego
comparamos y vemos la decisión que tomamos.-
Es evidente, como hemos dicho, las muestras
tienen un impacto muy directo y consecuencial
en las decisiones que se toman.-
Por tanto, toda conclusión que se saque o todo
conocimiento que se tenga respecto a una muestra es
muy importante.- Una aplicación muy común y de gran
utilidad en una distribución muestral es la de determinar
la probabilidad de que una media muestral clasifique
dentro de un cierto rango planteado.-

Dado que la distribución muestral estará

distribuida normalmente pues;

a) La muestra se toma de una población que se

distribuye como normal,

a) b) n  30 y el teorema central del límite garantiza la

normalidad en el proceso de muestreo, la desviación
normal puede usarse para ganar información esencial
para el proceso de toma de decisiones.-
Al desarrollar la distribución normal,
vimos como usar la normal
estandarizada (Z), en una distribución
muestral usamos el mismo
procedimiento, pero modificamos el
Z.-
 La formula de reconversión estará dada por:

x
Z
 x

El valor de interés en el numerador no es una

observación única de X, sino la media de n
observaciones.- Además, el denominador no es la
desviación estándar poblacional , sino que el
error estándar de la distribución muestral  x.-
 VEAMOS UN EJEMPLO:

Supongamos que estamos estudiando los

Coeficientes Intelectuales de los alumnos de
cierta escuela.- Se sabe por estudios anteriores
que los Coeficientes Intelectuales se
distribuyen normalmente con una media de 75
puntos y una desviación estándar de 6
puntos.- Se debe seleccionar una muestra
aleatoria de 64 alumnos.-
a)¿Cuál es la probabilidad que la media de la
muestra sea mayor de 74 puntos?.-
b)¿Cuál es la probabilidad de que la media
muestral se encuentre entre 73 y 76 puntos?
a) Se que µ =75 puntos y σ = 6 puntos
σ 6
Entonces σ x = = = 0.75
√n √64

Gráfica de distribución
Normal; Media=75; [Link].=0,75
0,6

0,5

0,4
0,909
Densidad

0,3

0,2

0,1

0,0
74 75
X
b)

Gráfica de distribución
Normal; Media=75; [Link].=0,75
0,6

0,5
0,905
0,4
Densidad

0,3

0,2

0,1

0,0
73 75 76
X
LA DISTRIBUCION
DE LA
PROPORCION
MUESTRAL
Hasta ahora la discusión se concentro exclusivamente en
las media de los asuntos que se tratan en la educación y
en las Ciencias Sociales, etc., pero muchas veces en ellos
interesa la proporción “P” de la población.- Algunos
autores la llaman “π”.-
Un director puede estar interesado en saber que
porcentajes de alumnos provienen de padres separados,
en cierta región geográfica puede interesar que porcentaje
va a servicios religiosos, en la universidad que porcentaje
de alumnos han fumado marihuana, que porcentaje de los
docentes primarios están de acuerdo con el cambio de
metodología de enseñanza, etc.-
En todos estos casos se usa la proporción muestral p
para hacer inferencias sobre la proporción poblacional
“P”.- Podemos predecir que en cada repetición del
proceso obtendremos un valor distinto de la proporción
muestral p.-
La distribución de probabilidad de todos los valores
posibles de esa proporción p se llama distribución de
la proporción muestral.-
La distribución de probabilidad binomial según vimos
implica determinar las probabilidades de diferentes
números de éxitos en un experimento binomial.- La
distribución binomial es una distribución de probabilidad
discreta que indica la probabilidad de “x” éxitos en “n”
pruebas de un experimento binomial, donde cada prueba
tiene dos resultados posibles, éxitos y fracasos.-
x
p =
n
Esta fórmula nos muestra que para una muestra de n
pruebas de un experimento binomial, la proporción de
éxitos, el estadístico p, se calcula dividiendo el número
de éxitos “x” entre el número de pruebas “n”.-
Para determinar lo cercano que esta la proporción
muestral p de la proporción poblacional “P”
necesitamos comprender las propiedades de la
distribución muestral de p, su valor esperado, su
desviación estándar y la forma de la distribución.-
El valor esperado de p, la media de todos los valores
posibles de p, se puede expresar como,

E (p) = P

La ecuación anterior nos expresa que la media de todos

los valores posible de p es igual a la proporción P de la
población y esto siempre es así.-
La desviación estándar de p se llama error estándar de
la proporción.- Igual que en caso de las medias de la
muestra x, el error estándar de la proporción depende si
la población es finita o infinita, entonces:
 p (1  p) N n
 p

n
*
N 1
para poblacione s finitas. -

p(1  p)
p n
para poblacione s infinitas. -

Al comparar estas dos fórmulas, vemos que la diferencia

es el empleo del factor de corrección para
poblaciones finitas.-
Como en el caso de la media de muestra x, vemos que
la diferencia entre las ecuaciones para poblaciones finitas
e infinita se hace despreciable si el tamaño de la
población finita es grande en comparación con el tamaño
de la muestra.- Seguiremos la misma regla que
recomendamos antes.-
Como ya conocemos el promedio y la
desviación estándar de la proporción muestral
p, debemos conocer ahora la forma de la
distribución.- Al aplicar el Teorema Central del
Límite a p se tiene que la distribución
muestral de p se puede aproximar con una
distribución normal de probabilidad, siempre
que el tamaño de muestra sea grande.- En el
caso de p, se puede considerar que el tamaño
de muestra es grande cuando se cumple las
dos siguientes condiciones:

nP  5 y n (1- P)  5
Esto es, si la población
es infinita y n/N ≤ 0,05
no usamos el factor de
corrección, sin
embargo, si la
población es finita y la
relación es n/N  0,05,
se debe usar el factor
de corrección.-
Sabemos que la aproximación
normal puede mejorar con la
corrección por continuidad, un
mecanismo que hace un ajuste en el
caso de que una distribución
continua se aproxime a una
distribución discreta.- En el caso de
estudio de proporción de una
población, estas son muy grandes y
la corrección no aporta diferencia y
por lo tanto la podemos obviar.-
Veamos un ejemplo, con valores irreales solo para
entender los conceptos elementales vistos.- Recuerde que
esto en la práctica profesional no se puede hacer.-

Un Inspector General de Escuelas Primarias

pregunta a toda la población de Directores, N = 4,
si están de acuerdo con las últimas medidas
tomadas por el Ministerio de Educación.- Se
registra una respuesta de SI como éxito y de NO
como fracaso.- Los cuatro Directores
respondieron: S1 N2 N3 S4.-

La proporción poblacional de éxito es P = 0.50.- Si

tomamos muestras de tamaño n = 2, la cantidad de
muestras será igual a las combinaciones de cuatro
elementos tomados de a dos, que me da igual a 6, la
proporción de éxitos se registra como sigue en la
siguiente tabla:
 Xi Nº de éxitos Proporción de éxitos

S1N2 1 0.50

S1N3 1 0.50

S1S4 2 1.00

N2N3 0 0.00

N2 S3 1 0.50

N2 S4 1 0.50

Total ---------------------- 3.00

El valor esperado, media de distribución muestral de la
proporción muestral es;

 p 3
μp = E(p) = ------------- = ------ = 0.50 = P
K 6

Tenemos que calcular ahora el error estándar de la

proporción muestral, que será;


P ( 1 - P)
p

n
Observo si n / N  0.05 es este caso no necesito el
factor de corrección para poblaciones finitas, en
cambio si n / N  0.05 si lo debo usar al calcular el error
estándar de la proporción muestral.-

En nuestro caso n / N = 2 / 4 = 0.50  0.05

Luego:

p ( 1 - p) N-n 0.50 * 0.50 42

 p

n N -1

2
*
4 1
 0.2888
Las herramientas recientemente desarrolladas
para las proporciones muestrales permiten
determinar las probabilidades que pueden ser
muy útiles en la toma de decisiones
importantes.- Esto se logra aplicando la
distribución normal a la distribución muestral
de proporciones muestrales, como veremos en
el punto siguiente.-

p - P
Z =
p
VALOR PRÁCTICO DE
LA DISTRIBUCION
MUESTRAL DE LA
PROPORCIÓN
Siempre que se selecciona una muestra aleatoria
simple y que el valor de la proporción de la
muestra p se usa para estimar el valor de la
proporción poblacional P, podemos predecir que
hay cierto error de muestreo.- En este caso, el
error de muestreo es el valor absoluto de la
diferencia entre el valor de la proporción
muestral p y la proporción poblacional P.-

El valor práctico de la distribución muestral de p

es que se puede usar para proporcionar
información probabilística acerca del error de
muestreo.-
 VEAMOS UN EJEMPLO

De los 1150 docentes que tiene una universidad, el 60%

acreditan una maestría.- Se selecciona una muestra
aleatoria de 150 profesores.- ¿Cuál es la probabilidad de
que la proporción de profesores de la muestra con grados
de maestrías esté entre 0,50 y 0,65?.-
Solución

Usando el hecho de que la distribución

muestral p se puede aproximar con una
distribución normal de probabilidad con
promedio P = 0.60 y p = 0.04 , entonces será:
 
P ( 1 - P)
p

n

0.60 * 0.40
σ p = = 12.247
150

0.50 - 0.60
Z = = - 2,5
0.04

0.65 - 0.60
Z = = 1.25
0.04
P( 0.50  p  0.65) = 0.8944 - 0.0062
= 0,8882
Gráfica de distribución
Normal; Media=0,6; [Link].=0,04

10

0,888
8
Densidad

2
p
0
0,5 0,6 0,65
X

La probabilidad de seleccionar una muestra

que de cómo resultado una proporción
muestral más cercano a la proporción
poblacional P es del 89%.-