Distribuciones Muestrales

Ing. Raúl Alvarez Guale, MPC

 Teorema del Límite Central

Mientras el n↑ La distribución
tamaño de muestral se
muestra sea hará casi
suficiente- normal sin
mente considerar la
grande… forma de la
población
Teorema del límite Central

Si 𝑥ҧ es la media de una muestra aleatoria de tamaño n tomada de una

población con media 𝜇 y varianza 𝜎 2 , entonces la forma de la
distribución
𝑥ҧ − μ
𝑧= 𝜎
𝑛
Conforme n→ ∞es una distribución norma estándar n(z;0,1) (Con
media cero y varianza 1).
Se considera una buena aproximación cuando n>= 30.
¿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.
Usando la Distribución Muestral para
Medias
1. Calcular la media muestral.
2. Definir la distribución muestral.
3. Definir la probabilidad de interés a calcular.
4. Convertir la media muestral a un valor z.
5. Encontrar la probabilidad usando la tabla de
distribución normal estándar.
Ejemplo1: Teorema límite central

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?
Ejemplo1: Teorema límite central
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
x
μx
σ 3
σx    0.5
n 36
 Ejemplo1: Teorema límite central

 
 7.8 - μ x -μ 8.2 - μ 
P(7.8  x  8.2)  P   
 σ σ σ 
 n n n

Distribución de la Población Distribución Muestral Distribución Normal Estándar

???
? ??
? ? Muestrear Estandarizar
?? ?
?
-z1 z2
μ8 x 7.8
μx  8
8.2 x μz  0 z
 Ejemplo1: Teorema límite central

 
 7.8 - 8 x -μ 8.2 - 8 
P(7.8  x  8.2)  P   
 3 σ 3 
 36 n 36 
 P(-0.4  z  0.4)  0.3108

Distribución de la Población Distribución Muestral Distribución Normal Estándar

0.1554
??? 0.1554
? ??
? ? Muestrear Estandarizar
?? ?
?
-0.4 0.4
μ8 x 7.8
μx  8
8.2 x μz  0 z
Ejemplo 2: Teorema límite central

Una empresa de material eléctrico fabrica bombillas de luz que tienen

una duración que se distribuye aproximadamente en forma normal,
con media de 800 horas y desviación estándar de 40 horas. Encuentre
la probabilidad de que una muestra aleatoria de 16 bombillas tenga
una vida promedio menos de 775 horas.
Ejemplo 2: Teorema límite central

𝑥ҧ = 𝑒𝑠 𝑒𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑑𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑢𝑛𝑎 𝑏𝑜𝑚𝑏𝑖𝑙𝑙𝑎

μ = 800
𝜎 = 40
n = 16
𝑥ҧ = 775
𝑃(𝑥ҧ < 775)
Ejemplo 2: Teorema límite central

ҧ
𝑥−μ 775−μ
𝑃(𝑥ҧ < 775) → 𝑃 𝜎 < 𝜎
𝑛 𝑛
775 − μ 775 − 800
𝑃 𝑧< 𝜎 →𝑃 𝑧<
40
𝑛 16
𝑃 𝑧 < −2.5 =?
 Ejemplo 2: Teorema límite central
En la tabla acumulada 𝑃 𝑧 < 2.5 = 0.9938

Entonces

𝑃 𝑧 < −2.5 = 1 − 𝐹(𝑧)

𝑃 𝑧 < −2.5 = 1 − 0.9938
𝑃 𝑧 < −2.5 = 0.0062
 Ejemplo 3: Teorema límite central
Determinar la probabilidad de que el mismo grupo aleatorio tenga una
vida útil de 810 y 820 horas

𝑃(820 > 𝑥ҧ > 810)

Ejemplo 3: Teorema límite central
820 − μ 𝑥ҧ − μ 810 − μ
𝑃 𝜎 > 𝜎 > 𝜎
𝑛 𝑛 𝑛

820 − μ 810 − μ
𝑃 𝜎 >𝑧> 𝜎
𝑛 𝑛

820 − 800 810 − 800

𝑃 >𝑧>
40 40
16 16
Ejemplo 3: Teorema límite central
𝑃 2>𝑧>1
Ejemplo 3: Teorema límite central

𝑃 2>𝑧 >1 =𝐹 2 −𝐹 1

𝑃 2 > 𝑧 > 1 = 0.9772 − 0.8413

𝑃 2 > 𝑧 > 1 = 0.1359