¿Cómo se ve afectada una distribución de muestreo cuando la distribución no es normal

En estadística, si una población X tiene cualquier distribución que es no lo normal, o si su distribución es desconocida, no se puede decir de forma automática la distribución de las medias de la muestra

image0.jpg

tiene una distribución normal. Pero increíblemente, puede utilizar una distribución normal aproximado la distribución de

image1.jpg

- si el tamaño de la muestra es lo suficientemente grande. Este resultado trascendental se debe a lo que los estadísticos conocen y aman como el teorema del límite central.

los Teorema del límite central (abreviado CLT) Dice que si X hace no tienen una distribución normal (o su distribución es desconocida y por lo tanto no puede ser considerado como normal), la forma de la distribución muestral de

image2.jpg

es aproximadamente normales, siempre y cuando el tamaño de la muestra, n, es lo suficientemente grande. Es decir, se obtiene una aproximado distribución normal para los medios de muestras grandes, incluso si la distribución de los valores originales (X) es no normal.

La mayoría de los estadísticos están de acuerdo en que si n es por lo menos 30, esta aproximación será razonablemente cerca en la mayoría de los casos, aunque diferentes formas de distribución para X tener diferentes valores de n que son necesarios. Menos " en forma de campana " o " aspecto normal " la distribución de los valores originales de X son, cuanto mayor sea el tamaño de la muestra para las medias de la muestra tendrá que ser. Cuanto mayor sea el tamaño de la muestra (n), Cuanto más cerca la distribución de las medias de la muestra será la de una distribución normal.




» » » » ¿Cómo se ve afectada una distribución de muestreo cuando la distribución no es normal