Ing. Mecánico
c X c
i
Z
i
i 1
i
i 1
n
2
i
c
i
para n grande tiene distribución Z N (0,1)
2
i
i 1
Podemos escribir Z N (0,1)
n
Consideraremos como grande a “n” cuando n ≥ 30.
Observación 1. Si consideramos:
todas las constantes ci = 1(i = 1, 2,…, n)
Todas las esperanzas µi = 1 (i = 1,2,…,n)
todas las varianzas (σi)2 =σ2 (i = 1,2,…,n)
el enunciado del teorema se reduce a:
Sean:
X1, X2,…,Xn una sucesión de variables aleatorias independientes con E(Xi) = µ y
V(Xi) = σ2 (i = 1, 2,…,n).
Página 7 de 32
UNLP-Facultad de Ingeniería
Cátedra: Estadística
Carreras: Ing. Electrónica y Electricista
Magíster. Lic. Alicia Ledesma
n
X X i variable aleatoria
i 1
Entonces:
n
n
X X i para n grande tiene distribución X X i
i 1
N (n , n 2 )
i 1
O bien:
n
n
X i n
Z
i 1
n 2
X
i
n
i 1
n
Podemos escribir: Z
n
para n grande tiene distribución Z N (0,1)
N (0,1)
Observación 2. Como vemos este teorema trata de la normalidad aproximada de una
suma de “n” variables aleatorias, donde n es grande.Aplicaremos este teorema para obtener la distribución de la media muestral. Para ello lo
enunciamos en forma equivalente a la vista en segundo lugar, como sigue:
Sea (X1, X2,…,Xn) una muestra aleatoria de tamaño n de una
población con media μ y varianza σ2. Si n es grande,
entonces:
1 n
Xi
n i 1
tiene aproximadamente una distribución normal con:
X
media X
desviaciónestándar X
n
Equivalentemente:
Z
X
tiene distribución aproximadamente N(0,1)
n
El hecho sobresaliente de este teorema es que aún si la población original no es
normal, la media estandarizada es aproximadamente normal si n es grande (n≥ 30).
Ambas formas de enunciar el teorema son equivalentes, pues:
Página 8 de 32
UNLP-Facultad de Ingeniería
Cátedra: EstadísticaCarreras: Ing. Electrónica y Electricista
Magíster. Lic. Alicia Ledesma
n
X
Z
Z
n
( 1n )( X i )
i 1
n
X
i
n
i 1
n
n
En el siguiente cuadro resumimos lo dicho sobre la distribución de muestreo de X
Distribución de la media muestral X
1. Si se selecciona una muestra aleatoria de tamaño n (n grande, n ≥ 30)
de la v.a. X (concualquier distribución) con media µ y desviación
estándar σ, la distribución de muestreo de la media muestral X será
aproximadamente normal con:
Media: X
Desviación Estándar: X
n
2. Si se selecciona una muestra aleatoria de tamaño n de una v.a. con
distribución normal con media µ y desviación estándar σ, la
distribución de muestreo de la media muestral X tendrá exactamentedistribución normal con:
Media: X
Desviación Estándar: X
n
En este caso n es grande o chico.
La Fig.1 sugiere que las distribuciones muestrales de X serán aproximadamente
normales para tamaños de muestra n = 25, para la mayoría de las poblaciones.
Página 9 de 32
UNLP-Facultad de Ingeniería
Cátedra: Estadística
Carreras: Ing. Electrónica y ElectricistaMagíster. Lic. Alicia Ledesma
Fig.1
Error estándar de la media
El error estándar o típico de la media juega un papel fundamental en la Estadística, ya
que mide la variabilidad de la distribución muestral de X ; esto es las variaciones
aleatorias de la media muestral con respecto a la verdadera media µ.
1. Si las observaciones se seleccionan aleatoriamente de una población grande
(infinita) o deuna población finita pero con reemplazo el error estándar (o
típico) de la media es X
n
Página 10 de 32
UNLP-Facultad de Ingeniería
Cátedra: Estadística
Carreras: Ing. Electrónica y Electricista
Del error típico X
Magíster. Lic. Alicia Ledesma
obtenemos dos conclusiones importantes:
n
Cuanto mayor sea el tamaño de la muestra, menor será el...
Regístrate para leer el documento completo.