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
Teorema del Límite Central 7-1 n↑ Mientras el tamaño de muestra sea suficiente-mente grande… La distribución muestral se hará casi normal sin considerar la forma de la población ¿Qué es suficientemente grande? Para la mayoría de las distribuciones, n > 30 dará una distribución muestral que es casi normal. Para distribuciones simétricas, n > 15 es suficiente. Para poblaciones con distribución normal, la distribución muestral de la media será siempre normal. 7-2 Usando la Distribución Muestral para Medias Calcular la media muestral. Definir la distribución muestral. Definir la probabilidad de interés a calcular. Convertir la media muestral a un valor z. Encontrar la probabilidad usando la tabla de distribución normal estándar. 7-3 Ejemplo Suponer una población con media μ = 8 y desviación estándar σ = 3. Además una muestra aleatoria de tamaño n = 36 es seleccionada. ¿Cuál es la probabilidad que la media de la muestra esté entre 7.8 y 8.2? 7-4 Ejemplo Solución: Incluso si la población no tiene distribución normal, el teorema del límite central puede ser usado (n > 30) … entonces la distribución de muestreo de es aproximadamente normal … con media = μ = 8 …y desviación estándar 7-5 (continuación) Ejemplo Solución (continuación) – encontrar los valores z: 7-6 (continuación) z 7.8 8.2 -0.4 0.4 Distribución Muestral Distribución Normal Estándar 0.1554 0.1554 Distribución de la Población ? ? ? ? ? ? ? ? ? ? ? ? Muestrear Estandarizar x Estimador Insesgado Estimadores que producen estadísticos tales que el promedio de todos los posibles valores muestrales (de muestras del mismo tamaño) de los mismos coinciden con el parámetro de la población. Ejemplo: La media muestral es un estimador insesgado de la media poblacional. Estimador Consistente Un estimador insesgado es un estimador consistente si la diferencia entre el estimador y el parámetro tiende a cero conforme el tamaño de muestra se agranda. Ejemplo: la media muestral es un estimador consistente de la media poblacional. 7-7 Distribución Muestral de una Proporción El objeto del muestreo es la estimación de la proporción de una población que satisface un determinado atributo. Ejemplos: Un contador puede estar interesado en determinar la proporción de saldos de cuentas por cobrar que están correctas. Un supervisor de producción puede desear determinar el porcentaje de productos libre de defectos. El departamento de investigación de mercados podría desear conocer la proporción de compradores potenciales que efectivamente compraran el producto. 7-8 En todos estos casos se puede seleccionar una muestra, calcular la proporción muestral y tomar una decisión basada en los resultados de la muestra. Al igual que las medias muestrales, las proporciones muestrales están sujetas al error muestral. La distribución muestral de estas proporciones son un medio para evaluar la magnitud potencial de estos errores muestrales. 7-9 Proporción Poblacional, π π = Proporción de la población que tiene alguna característica Proporción muestral ( p ) proporciona un estimado de π : Si hay dos resultados, p tiene distribución binomial 7-10 Distribución Muestral de p Aproximado por una distribución normal si: Donde y 7-11 (Donde π = Proporción poblacional) Distribución Muestral P( p ) .3 .2 .1 0 0 . 2 .4 .6 8 1 p Teorema 5 Usando la Distribución Muestral para Proporciones Determinar la proporción poblacional, p. Calcular la proporción muestral, p. Determinar la media y desviación estándar de la distribución muestral. Definir el evento de interés. Si np y n(1-p) son ambos mayores que 5, entonces convertir p a valor z. Usar la tabla de la distribución normal estándar para determinar la probabilidad. 7-12 Ejemplo Si la proporción verdadera de votantes que apoyan la propuesta A es π = 0.4. ¿Cuál es la probabilidad que una muestra de tamaño 200 dé una proporción muestral entre 0.40 y 0.45? 7-13 Es decir: Si π = 0.4 y n = 200. ¿Cuánto es P(0.40 ≤ p ≤ 0.45)? Ejemplo Si π = 0.4 y n = 200. ¿Cuánto es P(0.40 ≤ p ≤ 0.45)? 7-14 Determinar : Convertir a la normal estándar (valor z): Ejemplo Si π = 0.4 y n = 200. ¿Cuánto es P(0.40 ≤ p ≤ 0.45)? 7-15 Usar la tabla normal estándar: P(0 ≤ z ≤ 1.44) = 0.4251 z 0.45 1.44 0.4251 Estandarizar Distribución Muestral Distribución Normal Estándar (continuación) 0.40 0 p oleObject1.bin image7.wmf oleObject2.bin image8.emf oleObject3.bin image9.wmf x oleObject4.bin image10.wmf x μ oleObject5.bin image11.wmf 0.5 36 3 n σ σ x = = = oleObject10.bin oleObject6.bin image12.wmf 0.3108 0.4) z P(-0.4 36 3 8 - 8.2 n σ μ - x 36 3 8 - 7.8 P 8.2) x P(7.8 = < < = ÷ ÷ ÷ ø ö ç ç ç è æ < < = < < oleObject7.bin image13.wmf 8 μ = oleObject8.bin image14.wmf 8 μ x = oleObject9.bin image15.wmf 0 μ z = oleObject11.bin image16.wmf muestra la de Tamaño muestra la en éxitos de Número n x p = = oleObject12.bin image17.wmf π μ p = oleObject13.bin image18.wmf n π) π(1 σ p - = oleObject14.bin image19.wmf 5 π) n(1 5 n π ³ - ³ oleObject15.bin image20.wmf .03464 0 200 .4) 0 0.4(1 n π) π(1 σ p = - = - = oleObject16.bin image21.wmf 1.44) z P(0 .03464 .40 0 0.45 z .03464 .40 0 0.40 P .45) 0 p P(0.40 £ £ = ÷ ø ö ç è æ - £ £ - = £ £ oleObject17.bin image22.emf p σ image1.png image3.png image4.png image5.png image6.png
Santa Rosa
Alexander Manuel Mamani Apaza
Desafio PASSEI DIRETO
Desafio PASSEI DIRETO
Desafío México Veintitrés
Compartir