UNIVERSIDAD NACIONAL DEL ALTIPLANO

FACULTAD DE INGENIERIA ECONOMICA

ESTADÍSTICA INFERENCIAL
3.1 Distribución de muestras pequeñas

Sabino Edgar Mamani Choque

1
 Distribución de muestras pequeñas

Existen situaciones en los que se deben hacer inferencias con muestras pequeñas (n<30) y, los supuestos básicos de la

teoría del muestreo grande (n≥30), no funcionan.

En muestreo pequeño la distribución no es normal y no puede emplearse adecuadamente al teorema del límite central,

la distribución por muestreo difiere en cada caso.

Hay tres distribuciones de probabilidad que generalmente se usan para muestras pequeñas:

a) La distribución Chi cuadrado

b) La distribución t de Student

c) La distribución F.

Las tres distribuciones usan en su definición los “grados de libertad”

 Distribución de muestras pequeñas

Grado de libertad es el nombre dado al número de observaciones linealmente independientes que ocurre en una suma de

cuadrados.

GL. Número de variables aleatorias independientes que se suman o, número de variables que pueden variar libremente.

El número de grados de libertad es V = n-k, k= número de restricciones para los cálculos de una estadística θ o que

abarca sumas de cuadrados y las restricciones pueden ser por ejemplo el número de estimadores requerido para calcular

la θ.

Se definen como el número de valores que podemos escoger libremente (Levin 1996).

Los grados de libertad de una prueba estadística son el número de datos que son libres de variar cuando se calcula tal

prueba (Pagano, 2009).

 Distribución Chi – cuadrado X2(m)

Una v.a. Y tiene una distribución chi-cuadrado con m gl si su función de densidad es:

𝒎𝒎 𝒚𝒚
𝟏𝟏 −𝟏𝟏
𝒇𝒇(𝒚𝒚) = 𝒎𝒎 𝒚𝒚 𝟐𝟐 𝒆𝒆 �𝟐𝟐
− Si y > 0
𝟐𝟐 �𝟐𝟐 𝜞𝜞 𝒎𝒎⁄𝟐𝟐

=0 Si y ≤ 0

Donde 𝜞𝜞 𝜶𝜶 es la función gamma que se define como:

𝜞𝜞 𝜶𝜶 = � 𝒘𝒘𝜶𝜶−𝟏𝟏 𝒆𝒆−𝒘𝒘 𝒅𝒅𝒅𝒅

𝟎𝟎

𝜞𝜞 𝜶𝜶 + 𝟏𝟏 = 𝜶𝜶! si α es un número entero positivo.

 Distribución Chi – cuadrado X2(m)

La distribución Chi – cuadrado tiene la siguiente forma:

f(y)

X2(m)
 Distribución Chi – cuadrado X2(m)
Características

1. Está definida solo para valores positivos de la variable Y

2. Presenta un sesgo o asimetría a la derecha

3. Es asintótica con respecto al eje horizontal en el lado derecho

4. La distribución tiene menor sesgo a medida que los gl son cada vez mayores

5. Para una distribución chi-cuadrado con m gl se tiene:

μY = m y σ2Y= 2m

6. Para elevados grados de libertad (m > 50), los valores tabulares de una distribución chi-cuadrado se pueden aproximar
mediante:

2
𝑋𝑋(𝛼𝛼,𝑚𝑚) =
1
𝑍𝑍 𝛼𝛼 + 2𝑚𝑚 − 1
2 α
2

X (2α , m ) 2
X (m )

Donde Z(α) es el valor de la variable normal estándar correspondiente a una probabilidad acumulada igual a “α“
 Distribución Chi – cuadrado X2(m)

Caso especial 1

Si Z es una v.a. con distribución normal estándar, la v.a. Z2 tiene una distribución chi-cuadrado con 1 gl.

Si Z ~ N(0,1) → Z2 ~ X2(1)

Caso especial 2

Si W1, W2, …, Wk son v.a. independientes con distribución chi-cuadrado com m1, m2, … mk gl. La v.a.

Y = W1 + W2 + … + Wk tiene una distribución chi-cuadrado con m1 + m2 + …+ mk gl

Si W1 ~X2(m1) , …, Wk ~X2(mk) → Y = W1 + … + Wk ~X2(m1 + …+ mk)

 Distribución Chi – cuadrado X2(m)

Caso especial 3

̄ 𝑥𝑥̄
𝑥𝑥−𝜇𝜇 ̄ 𝑥𝑥̄ )2
𝑛𝑛(𝑥𝑥−𝜇𝜇 2
Si 𝑥𝑥̄ ≈ 𝑁𝑁(𝜇𝜇𝑥𝑥̄ , 𝜎𝜎𝑥𝑥2̄ ) → 𝑍𝑍 2 = = ≈ 𝑋𝑋(1)
𝜎𝜎𝑥𝑥̄ 𝜎𝜎𝑥𝑥2

Caso especial 4

𝑛𝑛 𝑋𝑋𝑖𝑖 −𝜇𝜇 2 ∑𝑛𝑛

𝑖𝑖=1 𝑋𝑋𝑖𝑖 −𝜇𝜇
2
2
Si 𝑋𝑋 ≈ 𝑁𝑁(𝜇𝜇𝑥𝑥̄ , 𝜎𝜎𝑥𝑥2̄ ) → ∑𝑖𝑖=1 = ≈ 𝑋𝑋(𝑛𝑛)
𝜎𝜎𝑥𝑥 𝜎𝜎𝑥𝑥2

Caso especial 5

Si 𝑋𝑋 ≈ 𝑁𝑁(𝜇𝜇𝑥𝑥̄ , 𝜎𝜎𝑥𝑥2̄ )

𝑥𝑥 −𝑥𝑥̄ 2 ∑𝑛𝑛
𝑖𝑖=1 𝑥𝑥𝑖𝑖 −𝑥𝑥̄
2 (𝒏𝒏−𝟏𝟏)𝑺𝑺𝟐𝟐
→ ∑𝑛𝑛𝑖𝑖=1 𝑖𝑖 = = ≈ 𝑿𝑿𝟐𝟐(𝒏𝒏−𝟏𝟏)
𝜎𝜎𝑥𝑥 𝜎𝜎𝑥𝑥2 𝝈𝝈𝟐𝟐𝒙𝒙
 Distribución Chi – cuadrado X2(m)

Si Y ~ X212

Hallar:
a) P(Y>18.549)

= 1 - P(Y≤18.549)
= 1 – 0.9 = 0.1 18.549

b) P(6.304 < Y < 14.011)

= P(Y < 14.011) – P(Y ≤ 6.304)

= 0.7 – 0.1 = 0.6 6.304 14.011

c) P(7.807 < Y < 17)

= P(Y < 17) – P(Y ≤ 7.807)

= 0.8434 – 0.2 = 0.6434
7.807 17
Distribución Chi – cuadrado X2(m)

Si Y ~ X212

Interpolación:

15.812 −−− − 0.8

17 −−− − 𝑥𝑥
18.549 −−− − 0.9

15.812 − 17 0.8 − 𝑥𝑥
=
15.812 − 18.549 0.8 − .09

𝒙𝒙 = 𝟎𝟎. 𝟖𝟖𝟖𝟖𝟖𝟖𝟖𝟖
 Distribución Chi – cuadrado X2(m)

Si Y ~ X212

d) Y1 si, P(Y1 < Y < 18.549)=0.55

= P(Y<18.549) – P(Y ≤ Y1) =0.55

= 0.9 – P(Y ≤ Y1 ) = 0.55

𝟎𝟎. 𝟓𝟓𝟓𝟓
P(Y ≤ Y1) = 0.35

→ 𝒀𝒀𝟏𝟏 ≅ 𝑿𝑿𝟐𝟐(𝟎𝟎.𝟑𝟑𝟑𝟑,𝟏𝟏𝟏𝟏) 𝒀𝒀𝟏𝟏 18.549

Interpolando

Y1 = 9.610
 Distribución Chi – cuadrado X2(m)

De una población se selecciona, al azar y con reemplazo, una muestra de tamaño 60. Si la variable de
interés (X) se distribuye normalmente con media 40 y varianza 100, y se establece que:

60
̄ 2
(𝑋𝑋𝑖𝑖 − 𝑥𝑥)
𝑌𝑌 = �
100
𝑖𝑖=1

Determine el valor de K, tal que P(Y<K)=0.95

2
𝑌𝑌~𝑋𝑋59 corresponde al caso especial 5, entonces:

Z(0.95)≡1.645

1 2
𝐾𝐾 ≅ 1.645 + 2 59 − 1
2
𝑲𝑲 ≅ 𝟕𝟕𝟕𝟕. 𝟔𝟔𝟔𝟔𝟔𝟔𝟔𝟔𝟔𝟔𝟔𝟔
 Distribución Chi – cuadrado X2(m)

Si el tiempo de atención por cliente en una tienda tiene una distribución normal con una varianza de 0.81 minutos2, y se

elige una muestra aleatoria de 21 clientes, hallar:

a) 𝑃𝑃 𝑆𝑆 2 < 1.272

21−1 𝑆𝑆 2 2
𝑋𝑋~𝑁𝑁 𝜇𝜇, 0.81 y n=21  𝑌𝑌 = ~ 𝑋𝑋(20)
0.81

𝑛𝑛 − 1 𝑆𝑆 2 21 − 1 1.272
𝑃𝑃 < 1.272
𝜎𝜎 2 0.81

2
𝑃𝑃 𝑋𝑋(20) < 31.41 = 0.95
 Distribución Chi – cuadrado X2(m)

b) 𝑃𝑃 0.50625 < 𝑆𝑆 2 < 1.272

0.50625 1.272
21 − 1 0.50625 𝑛𝑛 − 1 𝑆𝑆 2 21 − 1 1.272
𝑃𝑃 < <
0.81 𝜎𝜎 2 0.81

𝑃𝑃 12.5 < 𝑋𝑋 220 < 31.41

𝑃𝑃 𝑋𝑋 220 < 31.41 − 𝑃𝑃 𝑋𝑋 220 < 12.5

Interpolando:

0.95 − 0.10267 = 0.8473

 Distribución Chi – cuadrado X2(m)

c) El valor de k, tal que 𝑃𝑃 𝑆𝑆 2 < 𝑘𝑘 = 0.6

𝑛𝑛 − 1 𝑆𝑆 2 𝑛𝑛 − 1 𝑘𝑘
𝑃𝑃 < = 0.6 0.6
𝜎𝜎 2 0.81

20 𝑘𝑘
𝑃𝑃 𝑋𝑋 220 < = 0.6 k
0.81

𝟐𝟐𝟐𝟐 𝒌𝒌
= 𝑿𝑿𝟐𝟐𝟎𝟎.𝟔𝟔, 𝟐𝟐𝟐𝟐
𝟎𝟎. 𝟖𝟖𝟖𝟖
Interpolando:
𝑋𝑋 20.6, 20 = 21.056

20 𝑘𝑘
= 21.056
0.81
𝑘𝑘 ≅ 0.852768