Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
7.4 EL TEOREMA DEL LÍMITE CENTRAL ❍ 265 Si muestras aleatorias de n observaciones se sacan de una población no normal con media fi nita m y desviación estándar s, entonces, cuando n es grande, la distribución de muestreo de la media muestral x� está distribuida normalmente en forma aproximada, con media m y desviación estándar s___ � __ n La aproximación se hace más precisa cuando n se hace grande. Cualquiera que sea su forma, la distribución muestral de x� siempre tiene una media idéntica a la media de la población muestreada y una desviación estándar igual a la desviación poblacional estándar s dividida entre � __ n . En consecuencia, la dispersión de la distribución de medias muestrales es considerablemente menor que la disper- sión de la población muestreada. El teorema del límite central se puede expresar de otro modo para aplicar a la suma de las mediciones muestrales Sxi, que, cuando n se hace grande, también tiene una distribución aproximadamente normal con media nm y desviación estándar s � __ n . FIGURA 7.7 Applet Central Limit Theorem (Teorema del límite central) ● Teorema del límite central APPLETMIMI El applet Java llamado The Central Limit Theorem (El teorema del límite cen- tral) se puede usar para efectuar una simulación para las distribuciones muestra- les del promedio de uno, dos, tres o cuatro dados. La fi gura 7.7 muestra el applet después de que el par de dados (n � 2) ha sido tirado 2500 veces. Esto no es tan difícil como parece, puesto que sólo hay que presionar el botón 25 veces. La simulación muestra los posibles valores para x� � Sxi/10 y también mues- tra la media y desviación estándar para estas 2500 mediciones. La media, 3.5, es exactamente igual a m � 3.5. ¿Cuál es la desviación estándar para estas 2500 mediciones? ¿Es cercana al valor teórico, s/ � __ n � 1.71 ____ � __ 2 �1.21? Usaremos este applet otra vez para los ejercicios Mi Applet al fi nal del capítulo. Probabilidad_Mendenhall_07.indd 265Probabilidad_Mendenhall_07.indd 265 5/27/10 5:00:29 PM5/27/10 5:00:29 PM www.FreeLibros.me 266 ❍ CAPÍTULO 7 DISTRIBUCIONES MUESTRALES La aportación importante del teorema del límite central está en la inferencia esta- dística. Muchos estimadores que se usan para hacer inferencias acerca de parámetros poblacionales son sumas o promedios de las mediciones muestrales. Cuando el tamaño muestral es grande lo sufi ciente, se puede esperar que estos estimadores tengan dis- tribuciones muestral que sean aproximadamente normales. Entonces se puede usar la distribución normal para describir el comportamiento de estos estimadores en muestreo repetido y evaluar la probabilidad de observar ciertos resultados muestrales. Al igual que en el capítulo 6, estas probabilidades se calculan usando la variable aleatoria nor- mal estándar z � Estimador � Media _________________ Desviación estándar Cuando vuelva usted a leer el teorema del límite central, podrá ver que la aproxi- mación es válida mientras el tamaño muestral n sea “grande”, pero ¿qué tan grande es “grande”? Desafortunadamente, no hay una respuesta clara a esta pregunta. El valor apropiado de n depende de la forma de la población de la cual se muestrea, y cómo se desea usar la aproximación. No obstante, ayudan estas guías: ¿CÓMO DETERMINO CUÁNDO EL TAMAÑO MUESTRAL ES LO SUFICIENTE GRANDE? • Si la población muestreada es normal, entonces la distribución muestral de x� también será normal, sin importar cuál sea el tamaño de la muestra que se escoja. Este resultado se puede demostrar en forma teórica, pero no debe ser demasiado difícil aceptarla sin prueba. • Cuando la población muestreada es aproximadamente simétrica, la distribución muestral de x� se hace también aproximadamente normal para valores relativa- mente pequeños de n. Recuerde la rapidez con la que la distribución “plana” del ejemplo de los dados tomó la forma de montículo (n � 3). • Cuando la población muestreada está sesgada, el tamaño muestral n debe ser más grande, con n al menos 30 antes que la distribución muestral de x� se haga aproxi- madamente normal. Estas guías sugieren que, para muchas poblaciones, la distribución muestral de x� será aproximadamente normal para tamaños muestrales moderados: una excepción a esta regla se presenta al muestrear una población binomial cuando p o q � (1 � p) es muy pequeña. Cuando aparezcan aplicaciones específi cas del teorema del límite central, daremos el tamaño muestral apropiado n. LA DISTRIBUCIÓN MUESTRAL DE LA MEDIA MUESTRAL Si la media poblacional m es desconocida, se pueden seleccionar varias estadísticas como estimador; la media muestral x� y la mediana muestral m son dos que con facilidad llegan a nuestra mente. ¿Cuál debe usarse? Considere estos criterios al seleccionar el estimador para m: La distribución muestral de x� siempre tiene una media m y desviación estándar s/ � __ n . El teorema del límite central ayuda a describir su forma. CONSEJOMIMI 7.5 Probabilidad_Mendenhall_07.indd 266Probabilidad_Mendenhall_07.indd 266 5/14/10 8:43:30 AM5/14/10 8:43:30 AM www.FreeLibros.me 7.5 LA DISTRIBUCIÓN MUESTRAL DE LA MEDIA MUESTRAL ❍ 267 • ¿Es fácil o difícil de calcular? • ¿Produce estimaciones que sean demasiado altas o demasiado bajas de manera consistente? • ¿Es más o menos variable que otros estimadores posibles? Las distribuciones muestrales para x� y m con n � 3 para la pequeña población del ejem- plo 7.3 mostraron que, en términos de estos criterios, la media muestral funcionó mejor que la mediana muestral como estimador de m. En muchas situaciones, la media mues- tral x� tiene propiedades deseables como un estimador que no son compartidas por otros estimadores competidores; por tanto, se emplea en forma más general. LA DISTRIBUCIÓN MUESTRAL DE LA MEDIA MUESTRAL, –X • Si una muestra aleatoria de n mediciones se selecciona de una población con media m y desviación estándar s, la distribución muestral de la media muestral x� tendrá media m y desviación estándar† s___ � __ n • Si la población tiene una distribución normal, la distribución muestral de x� estará exactamente distribuida en forma normal, cualquiera que sea el tamaño muestral n. • Si la distribución poblacional es no normal, la distribución muestral de x� estará distribuida normalmente en forma aproximada para muestras grandes (por el teorema del límite central). Error estándar Defi nición La desviación estándar de una estadística empleada como estimador de un parámetro poblacional también se denomina error estándar del estimador (abre- viado SE) porque se refi ere a la precisión denomina. Por tanto, la desviación estándar de x�, dada por s/ � __ n , se conoce como error estándar de la media (abreviada SE(x�) o sólo SE). † Cuando muestras repetidas de tamaño n se seleccionan al azar de entre una población fi nita con N elementos cuya media sea m y cuya varianza sea s2, la desviación estándar de x� es s___ � __ n � ______ N � n ______ N � 1 donde s2 es la varianza poblacional. Cuando N es grande con respecto al tamaño muestral n, � _____________ (N � n)(N � 1) es aproximadamente igual a 1, y la desviación estándar de x� es s___ � __ n Probabilidad_Mendenhall_07.indd 267Probabilidad_Mendenhall_07.indd 267 5/14/10 8:43:30 AM5/14/10 8:43:30 AM www.FreeLibros.me 7 DISTRIBUCIONES MUESTRALES 7.5 La distribución muestral de la media muestral Error estándar
Compartir