Descarga la aplicación para disfrutar aún más
Lea materiales sin conexión, sin usar Internet. Además de muchas otras características!
Vista previa del material en texto
Introducción a Distribuciones Muestrales El ejecutivo de un restaurante recibe un reporte que indica que el monto promedio gastado por un adulto en un restaurante gourmet es de $302.45 por año. La cifra fue obtenida de una muestra de 540 adultos de Nuevo México. Preguntas: ¿Qué se puede inferir de la media poblacional? ¿Cuán cercana está la cifra de $302.45 de la media poblacional? ¿Basta la muestra de 540 individuos, de una población de 2 millones, para obtener un “buen” estimado de la media poblacional? El gerente de control de calidad de una empresa productora de kits de reparación de plomería selecciona una muestra aleatoria de estos kits y los inspecciona para detectar fallas. De la muestra de 233 kits, se tienen 18 defectuosos, esto es, el 7.7%. Preguntas: ¿Qué se puede inferir respecto del total de 13,300 kits producidos? ¿El porcentaje de kits defectuosos del conjunto total estará alrededor de 7.7%? ¿Cuán cercano? ¿Debe inspeccionarse una muestra más amplia? 7-2 Las respuestas a las preguntas anteriores requieren el entendimiento de las distribuciones muestrales. Cada vez que se toman muestras de una población, pueden ocurrir diferentes muestras y cada muestra tener diferentes items. Por lo tanto las medidas estimadas a partir de una muestra, estadísticos, constituyen variables aleatorias, las cuales deben de ser descritas por las denominadas distribuciones muestrales. 7-3 El entendimiento de las distribuciones muestrales es la base para el desarrollo de los temas de: Estimación estadística Prueba de hipótesis 7-4 7-5 Objetivos Definir el concepto de error muestral. Determinar la media y desviación estándar para la distribución muestral de la media muestral, x. Determinar la media y desviación estándar para la distribución muestral de la proporción muestral, p. Describir el Teorema del Límite Central y su importancia Aplicar distribuciones muestrales para x y p. _ 7-6 Error Muestral Estadísticos (muestra) son usados para estimar parámetros (población) ej.: x es un estimador de la media poblacional, μ Problemas: Diferentes muestras proporcionan diferentes estimados de los parámetros de la población. Los resultados muestrales presentan variabilidad, por lo tanto, existe error muestral. Recordar: Con una muestra aleatoria se busca conseguir un grupo representativo de la población. Muestra 2 7-7 ͞x1 ͞x2 ͞xn Valores que puede tomar la variable aleatoria ͞x Describir ͞x A través de una distribución muestral Población Media μ Muestra 1 Muestra n 7-8 Cálculo del Error Muestral Error Muestral: Es la diferencia entre un valor (estadístico) calculado de la muestra y su correspondiente valor (parámetro) calculado de la población Ejemplo: (Para la media) Donde: ¡Siempre presente dado que se usa una muestra! 7-9 Recordatorio Media Poblacional: Media Muestral: Donde: μ = Media poblacional x = Media muestral xi = Valores en la población o muestra N = Tamaño de la población n = Tamaño de la muestra La media poblacional NO varía La media muestral puede VARIAR cuando diferentes muestras son tomadas de la población Ver Tema 3 7-10 Ejemplo Si la media poblacional es μ = 98.6 °C y una muestra de n = 5 temperaturas da una media muestral de ͞x = 99.2 °C, entonces el error muestral es: 7-11 Errores Muestrales Diferentes muestras darán diferentes errores muestrales. El error muestral puede ser positivo o negativo (x puede ser mayor que o menor que μ). El tamaño del error depende de la muestra seleccionada. Es decir, un mayor tamaño de muestra no necesariamente produce un error pequeño si la muestra no es representativa. 7-12 Distribución Muestral Una distribución muestral es una distribución de probabilidad de los posibles valores de un estadístico para muestras (del mismo tamaño) seleccionadas de una población. Muestra 2 7-13 ͞x1 ͞x2 ͞xn Valores que puede tomar la variable aleatoria ͞x Describir ͞x A través de una distribución muestral Población Media μ Muestra 1 Muestra n 7-14 Desarrollo de una Distribución Muestral Supongamos una población… Tamaño de población N=4 Variable aleatoria, x, es la edad de los individuos Valores de x: 18, 20, 22, 24 (años) A B C D 7-15 0.3 0.2 0.1 0 18 20 22 24 A B C D Distribución Uniforme P(x) x Medidas de resumen para la distribución de la población: Desarrollo de una Distribución Muestral 7-16 16 muestras posibles (muestreo con remplazo) Considerar todas las muestras posibles de tamaño n=2 16 Medias Muestrales Desarrollo de una Distribución Muestral 7-17 Distribución Muestral (todas las medias muestrales) 18 19 20 21 22 23 24 0 .1 .2 .3 P(x) x Distribución de medias muestrales 16 Medias muestrales _ (continuación) (No es distribución uniforme) Probabilidad de ocurrencia de una particular media muestral Desarrollo de una Distribución Muestral 7-18 Medidas de resumen de esta distribución muestral: Promedio de las medias muestrales Desarrollo de una Distribución Muestral 7-19 Comparando la Población con su Distribución Muestral 18 19 20 21 22 23 24 0 .1 .2 .3 P(x) x 18 20 22 24 A B C D 0 .1 .2 .3 Distribución de la Población N = 4 P(x) x _ Distribución de la Media Muestral n = 2 oleObject1.bin image1.wmf μ - x Muestral Error = oleObject2.bin image2.wmf l poblaciona Media μ muestral Media x = = oleObject3.bin image3.wmf N x μ i å = oleObject4.bin image4.wmf n x x i å = oleObject5.bin image5.wmf C 0.6 98.6 99.2 μ x o = - = - oleObject6.bin image6.emf image7.wmf image8.wmf image9.wmf oleObject10.bin image10.wmf 21 4 24 22 20 18 N x μ i = + + + = = å oleObject11.bin image11.wmf 2.236 N μ) (x σ 2 i = - = å oleObject12.bin 1era 2da Observación Obs. 18 20 22 24 18 18 19 20 21 20 19 20 21 22 22 20 21 22 23 24 21 22 23 24 image12.emf 1 era 2 da Observació n Obs. 18 20 22 24 18 18 19 20 21 20 19 20 21 22 22 20 21 22 23 24 21 22 23 24 image13.png oleObject13.bin 1era 2da Observación Obs. 18 20 22 24 18 18 19 20 21 20 19 20 21 22 22 20 21 22 23 24 21 22 23 24 image14.wmf 1 era 2 da Observació n Obs . 18 20 22 24 18 18 19 20 21 20 19 20 21 22 22 20 21 22 23 24 21 22 23 24 oleObject14.bin image15.wmf 21 16 24 21 19 18 N x μ i x = + + + + = = å L oleObject15.bin image16.wmf 1.58 16 21) - (24 21) - (19 21) - (18 N ) μ x ( σ 2 2 2 2 x i x = + + + = - = å L oleObject16.bin image17.wmf 1.58 σ 21 μ x x = = oleObject17.bin image18.wmf 2.236 σ 21 μ = =
Santa Rosa
Alexander Manuel Mamani Apaza
Desafio PASSEI DIRETO
Desafio PASSEI DIRETO
Compartir